Пользователь загружает своё фото в приложение — и AI должен наложить одежду так, чтобы она выглядела естественно, с учётом позы, пропорций и освещения. Это сложная задача компьютерного зрения, которая решается комбинацией сегментации тела, оценки позы и синтеза изображения. Мы реализуем такие решения для мобильных приложений уже более пяти лет, используя стек MediaPipe, HR-VITON и Metal.
Обычно проект начинается с аудита каталога одежды и требований к качеству. Если нужно максимальное качество для соцсетей — выбираем фото-примерку с серверным GAN-инференсом. Если нужна интерактивность в приложении — разрабатываем real-time AR на базе MediaPipe Pose. В обоих случаях обеспечиваем соблюдение App Store Review Guidelines и защиту данных пользователей. Наш опыт — 5+ лет в мобильной разработке и компьютерном зрении.
В одном из проектов для fashion-бренда мы внедрили фото-примерку с обработкой на A10 GPU, что позволило пользователям получать результат за 1.5 секунды. Экономия на возвратах составила до $25 000 в месяц при обороте $100 000, а затраты на логистику возвратов снизились на $1.2 на заказ. Получите консультацию, чтобы оценить эффект для вашего бизнеса.
Как работает AI-виртуальная примерка?
Мы поддерживаем два режима: фото-примерка (пользователь загружает фото, результат через несколько секунд) и real-time AR (прямая трансляция с камеры с наложением одежды в реальном времени). Для фото используем тяжелые GAN-модели, такие как HR-VITON, для AR — лёгкий mesh-подход на базе MediaPipe Pose.
| Характеристика | Фото-примерка | Real-time AR |
|---|---|---|
| Качество | Высокое (складки, тени) | Среднее (без складок) |
| Время отклика | 1-3 сек (сервер) | <33 мс (on-device) |
| Поддержка устройств | Любые с камерой | iOS 12+, Android 8+ |
| Инфраструктура | Сервер (GPU) | Только клиент |
Технический стек: от парсинга до синтеза
On-device: MediaPipe Pose для 33 ключевых точек, Self-Correction Human Parsing (SCHP) для сегментации частей тела (конвертирована в Core ML/TFLite). На iPhone 13 парсинг занимает 300–500 мс на изображение 512×512. Согласно MediaPipe Pose, точность определения ключевых точек превышает 95%.
// MediaPipe Pose Landmarker let options = PoseLandmarkerOptions() options.baseOptions.modelAssetPath = Bundle.main.path(forResource: "pose_landmarker_full", ofType: "task")! options.numPoses = 1 options.minPoseDetectionConfidence = 0.5 options.minPosePresenceConfidence = 0.5 options.minTrackingConfidence = 0.5 let poseLandmarker = try PoseLandmarker(options: options) let mpImage = try MPImage(uiImage: sourcePhoto) let result = try poseLandmarker.detect(image: mpImage) // Android: human parsing через TFLite val interpreter = Interpreter( FileUtil.loadMappedFile(context, "schp_parsing.tflite"), Interpreter.Options().apply { addDelegate(GpuDelegate()) } ) val input = Array(1) { Array(512) { Array(512) { FloatArray(3) } } } val output = Array(1) { Array(512) { Array(512) { FloatArray(20) } } } interpreter.run(input, output) Серверный try-on: HR-VITON — state-of-the-art модель с разрешением до 1024×768. API на FastAPI + PyTorch:
@app.post("/tryon") async def virtual_tryon(person_image: UploadFile, clothing_image: UploadFile): person = load_image(await person_image.read()) clothing = load_image(await clothing_image.read()) parse_map = run_human_parsing(person) keypoints = run_pose_estimation(person) result = hrviton_model(person, clothing, parse_map, keypoints) return StreamingResponse(image_to_bytes(result), media_type="image/jpeg") Время генерации на A10 GPU — 1.5–3 секунды. На CPU — 15–30 секунд.
Почему real-time AR сложнее?
Для real-time без тяжёлого GAN мы используем mesh warping: MediaPipe Pose (30+ fps), Delaunay триангуляция, деформация текстуры через Metal. Качество ниже, но работает на iPhone 11 без лагов. Real-time AR в 30 раз быстрее фото-примерки по времени отклика, хотя проигрывает в детализации. Сравнение производительности:
| Подход | FPS | Качество | Задержка |
|---|---|---|---|
| Mesh warping (AR) | 30+ | Среднее | <33 мс |
| GAN (фото) | <1 | Высокое | 1.5-3 сек |
Пайплайн контента: каждый элемент одежды требует фото на белом фоне, маску силуэта, категорию. Авто-сегментация через RemBG, валидация, загрузка в CDN.
Детали безопасности данных
Все персональные изображения обрабатываются на сервере с шифрованием в покое и при передаче. On-device парсинг не передаёт данные в сеть. Соответствие GDPR и требованиям App Store Review Guidelines (Section 5.1).
Процесс внедрения: пошагово
- Аудит каталога и требований — анализ ассортимента, форматов, целевых устройств.
- Выбор архитектуры — фото-примерка, AR или комбинация.
- Интеграция on-device ML — установка MediaPipe, Core ML/TFLite, портирование SCHP.
- Настройка серверного инференса — GPU-инференс (A10/A100) или выделенный сервер.
- Разработка UI примерки — выбор позиции, захват видео, отображение результата.
- Тестирование и оптимизация — замеры скорости, качества, стресс-тест.
- Деплой — публикация в сторах, настройка CDN для контента.
Что входит в работу
- Документация архитектуры и API
- Доступ к репозиторию с исходным кодом
- Интеграция с вашим каталогом
- Тестовый период и поддержка 3 месяца
- Обучение команды по работе с пайплайном
Сроки
Фото-примерка с серверным инференсом, одна платформа — 4–6 недель. Полная реализация с AR real-time, обе платформы, каталожный пайплайн — 10–16 недель. Стоимость рассчитывается индивидуально — напишите нам для оценки вашего проекта. Экономия на возвратах в среднем 15-25% окупает внедрение за 3-6 месяцев.
Работаем с ритейлерами, fashion-брендами и стартапами. Гарантируем качество на всех этапах. Свяжитесь с нами для бесплатного аудита вашего каталога.