Разработка мобильного приложения для садоводов и огородников

Разработка мобильного приложения для садоводов/огородников

Представьте: садовод загружает фото подозрительного пятна на листе помидора — через секунду приложение выдаёт диагноз (фитофтора, 87% уверенности) и рекомендует обработку медным купоросом. Всё это без интернета, на даче в глубинке. Реализовать такое на iOS и Android — задача, где каждая деталь решает: от выбора модели машинного обучения до фоновой синхронизации.

Мы создаём приложения, в которых CV-модели, погодные триггеры и офлайн-режим работают как единый механизм. За плечами — 6 лет мобильной разработки и 50+ проектов в AgriTech. Сложность не в отдельных компонентах, а в их бесшовной интеграции: датчик дождя через OpenWeatherMap, локальная база на SQLite, распознавание с помощью CoreML или TFLite — и всё это должно стабильно работать на устройствах пятилетней давности.

Как работает распознавание растений?

Центральная фича — определение растений и болезней по фото. Два подхода: облачный API (Plant.id, PlantNet) или on-device модель (CoreML/TFLite). Сравним:

On-device распознавание работает в 5 раз быстрее облачного — 0.2 с против 1–3 с — но точность ниже на 15–20%. Для дачи без интернета это единственный вариант.

Plant.id API отдаёт название, болезни с confidence score и рекомендации по лечению. Фото кодируется в base64, отправляется POST-запросом, ответ содержит suggestions с probability. Важно: API требует хорошо освещённый снимок листа или цветка — фото общего плана даёт низкую точность. Мы обязательно обучаем пользователя правильной съёмке.

struct PlantIdentificationRequest: Encodable {
    let images: [String]       // base64
    let modifiers: [String]    // ["crops_fast", "similar_images"]
    let plant_language: String // "ru"
    let plant_details: [String] // ["common_names", "url", "description", "treatment"]
}

On-device вариант использует модели от iNaturalist или обученные на датасете PlantVillage (54 000 изображений, 38 классов болезней листьев). Точность ниже облака на 15–20%, но зато полностью офлайн.

Почему важна интеграция с погодой?

Звучит просто, но главная ошибка — ставить уведомления с фиксированным временем и удивляться, почему пользователи жалуются на пропущенные поливы. Проблема: уведомления не пересчитываются при изменении осадков.

Правильная логика: каждое утро запрашиваем прогноз погоды через OpenWeatherMap API или Apple WeatherKit. Если прогнозируется дождь > 5 мм — пропускаем полив и отменяем уведомление через UNUserNotificationCenter.removePendingNotificationRequests. Это требует фоновой задачи: BGAppRefreshTask на iOS или WorkManager на Android.

На Android используем WorkManager с PeriodicWorkRequest и NetworkType.CONNECTED constraint. Не AlarmManager напрямую — на Android 12+ требуется SCHEDULE_EXACT_ALARM permission, которое пользователи редко дают.

Экономия времени на ручном планировании полива — до 2 часов в неделю. Снижение затрат на воду за счёт умного учёта осадков — до 30% в сезон.

Что входит в работу

Заказывая разработку под ключ, вы получаете:

• Архитектуру и выбор стека (iOS/Android/кроссплатформа)
• Интеграцию всех API (погода, распознавание)
• Офлайн-базу растений с кэшированием изображений
• Настройку пуш-уведомлений и фоновых задач
• Документацию по эксплуатации и ссылки на доступы
• Помощь с публикацией в App Store и Google Play
• Гарантию на код — 3 месяца бесплатной поддержки

Офлайн и база растений

Локальная база растений (название, описание, правила ухода, календарь посева) хранится в SQLite. Для 500–1000 записей используем Room на Android, Core Data или GRDB на iOS. Изображения кешируются при первом просмотре с LRU-политикой (Kingfisher на iOS, Coil на Android).

Дача без интернета — реальность. Все базовые функции (добавление растения, просмотр советов, выставление напоминаний) работают без сети. Синхронизация при восстановлении соединения — через очередь отложенных операций.

Погодная интеграция

OpenWeatherMap — стандарт для таких приложений: бесплатный тариф покрывает 1000 запросов в день. WeatherKit на iOS (с новейших версий) точнее и не требует собственного ключа, но доступен только на Apple платформах. Для огородного приложения важна не только температура, но и humidity, uvi, rain (осадки за 1 и 3 часа) — эти поля доступны в current эндпоинте OWM.

Процесс работы

1. Аналитика — определяем набор фич: какие растения (только огород или сад+комнатные), нужна ли социальная составляющая, требуется ли офлайн-база болезней.
2. Проектирование — создаём архитектуру, выбираем стек (нативный или кроссплатформа).
3. Разработка — офлайн-база → добавление растений → расписание полива с уведомлениями → погодная интеграция → распознавание. Распознавание — последним, так как API-ключи и тарификация требуют согласования.
4. Тестирование — покрываем основную логику unit-тестами, проводим полевые испытания на реальных устройствах.
5. Деплой — публикация в сторах, настройка мониторинга Crashlytics и аналитики.

Получите консультацию по вашему проекту — мы поможем выбрать оптимальный стек и оценить сроки.

Ориентиры по срокам

Чтобы оценить ваш проект, свяжитесь с нами — мы подготовим точную смету и предложим оптимальное решение. Гарантируем прохождение App Store Review и Google Play Review с первого раза.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).