Мы интегрируем распознавание жестов через камеру в мобильные приложения — от фитнес-трекеров до AR-интерфейсов. В основе лежит MediaPipe Hand Landmarker, который детектирует до 2 рук и возвращает 21 landmark для каждой. Это открывает возможности управления без касания экрана: перелистывание слайдов, распознавание статических и динамических жестов. Наш опыт — 5+ лет на рынке и 30+ реализованных проектов с компьютерным зрением. Оценим ваш проект бесплатно — свяжитесь для консультации. При этом распознавание выполняется на клиенте, что снижает латентность и сохраняет приватность данных.
Почему распознавание жестов на клиенте быстрее облачных альтернатив?
Облачные сервисы добавляют задержку на передачу и обработку, что неприемлемо для real-time UI (требуется ≤33 мс при 30 FPS). Клиентские ML-модели, такие как MediaPipe, работают локально и экономят до 40% времени на коммуникацию. Для фитнес-трекеров это критично, так как каждый пропущенный кадр снижает точность подсчёта повторений.
Какие проблемы решаем?
Латентность. На Pixel 7 (GPU) инференс занимает ~12 мс, на iPhone 14 (CPU) — ~18 мс, на Snapdragon 665 — ~45 мс. Для real-time UI с 30 FPS нужно укладываться в 33 мс. Мы оптимизируем: снижаем частоту до 15 FPS или ограничиваемся одной рукой (numHands = 1). MediaPipe Gesture Recognizer в 2-5 раз быстрее ML Kit на старых устройствах.
Handedness. MediaPipe возвращает LEFT/RIGHT с точки зрения модели, что зеркально относительно фронтальной камеры. Если логика зависит от конкретной руки, применяем зеркальную коррекцию.
Расстояние до камеры. Нормализованные координаты не несут информации о физическом расстоянии — пороги, работающие на 50 см, будут другими на 150 см. Учитываем это при настройке геометрии.
Какие подходы к распознаванию используем?
| Подход | Время инференса | Гибкость | Когда использовать |
|---|---|---|---|
| MediaPipe Gesture Recognizer | 5-10 мс (дополнительно) | 7 базовых жестов | Быстрый старт, стандартные жесты |
| Геометрический | 0 мс | Высокая для статических жестов | Конкретная форма кисти (например, Open_Palm) |
| ML-классификатор | 10-20 мс (дополнительно) | Максимальная | Сложные или динамические жесты (взмахи) |
Как мы это делаем?
Стек и инструменты — внедрение распознавания жестов
- iOS: Swift 5.9, SwiftUI,
MediaPipeTasksVisionчерез SPM, actor-класс с@Published. - Android: Kotlin, Jetpack Compose,
com.google.mediapipe:tasks-visionсRunningMode.LIVE_STREAM. - Бэкенд: не требуется — всё на клиенте.
Как реализовать кастомный жест: пошагово
- Сбор референсов (видео жеста под разными углами).
- Аннотация landmarks через MediaPipe Model Maker.
- Обучение классификатора (10-15 минут на 1000 сэмплов).
- Интеграция в приложение с debouncing и confidence threshold.
Кейс: управление презентацией жестами
Клиент попросил реализовать бесконтактное управление слайдами во время стендапа. Использовали MediaPipe Gesture Recognizer для статических жестов (Open_Palm = стоп) и геометрический трекинг запястья для динамических взмахов. Порог свайпа (delta_x > 0.3 за 333 мс) подобрали на 15 тест-пользователях. Debouncing: новый жест засчитывается, если прошло >500 мс или изменился тип. Итог: точность 98% в реальных условиях.
Какие жесты распознаём?
MediaPipe Gesture Recognizer из коробки даёт 7 жестов: Open_Palm, Closed_Fist, Pointing_Up, Thumb_Up, Thumb_Down, Victory, ILoveYou. Для кастомных жестов (например, «круг» или «пистолет») используем геометрию или дообучаем классификатор через MediaPipe Model Maker. Динамические жесты (свайпы, вращения) реализуем через трекинг landmark во времени.
Сравнение подходов к кастомным жестам
| Характеристика | Геометрический | ML-классификатор |
|---|---|---|
| Время разработки | От 2 дней | От 5 дней |
| Точность (тестовый сет) | 85-92% | 95-99% |
| Вычислительные затраты | 0 мс | 10-20 мс |
Как избежать ложных срабатываний?
Ключевые приёмы:
- Confidence threshold (обычно 0.7).
- Debouncing: жест не засчитывается повторно, если рука не убиралась из кадра. Храним
lastGestureTimeиlastGestureType. - Учёт handedness и расстояния. Для фронтальной камеры применяем зеркальную коррекцию.
Что входит в работу
- Анализ вашего сценария: съёмка референсов, подбор жестов.
- Интеграция MediaPipe/ML Kit на выбранной платформе.
- Разработка кастомных жестов (геометрия или ML).
- Привязка жестов к действиям с debouncing.
- Тестирование на устройствах (5+ моделей).
- Документация и доступ к исходному коду.
- Обучение вашей команды (2 часа).
- Пост-релизная поддержка 2 недели.
Сроки и стоимость
Базовая интеграция — от 1 недели. Кастомные жесты — от 2 недель. Стоимость рассчитывается индивидуально — свяжитесь с нами для оценки. Все проекты ведутся под ключ с гарантией результата. Закажите консультацию, чтобы обсудить детали.
Наши компетенции
Сертифицированные разработчики Apple и Google. 5+ лет опыта в mobile и computer vision. 30+ реализованных проектов с MediaPipe, ML Kit и ARKit. Используем официальные MediaPipe и ML Kit с соблюдением всех гайдлайнов. Это гарантирует стабильность и производительность.