Внедрение распознавания жестов в мобильное приложение

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?

Как мы это делаем?

Стек и инструменты — внедрение распознавания жестов

• iOS: Swift 5.9, SwiftUI, MediaPipeTasksVision через SPM, actor-класс с @Published.
• Android: Kotlin, Jetpack Compose, com.google.mediapipe:tasks-vision с RunningMode.LIVE_STREAM.
• Бэкенд: не требуется — всё на клиенте.

Как реализовать кастомный жест: пошагово

1. Сбор референсов (видео жеста под разными углами).
2. Аннотация landmarks через MediaPipe Model Maker.
3. Обучение классификатора (10-15 минут на 1000 сэмплов).
4. 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

Как избежать ложных срабатываний?

Ключевые приёмы:

• Confidence threshold (обычно 0.7).
• Debouncing: жест не засчитывается повторно, если рука не убиралась из кадра. Храним lastGestureTime и lastGestureType.
• 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.

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).