Реализуем детекцию объектов в мобильных приложениях — не просто поиск объектов, а трекинг между кадрами, проекцию bounding box на превью-слой, обработку перекрытий и поддержку 30 FPS. Режим реального времени на мобильном устройстве — сложный компромисс: модель должна выдавать детекцию за 20–30 мс, чтобы не ронять FPS, но при этом не перегревать процессор и не сажать батарею. Приходится учитывать версию ОС, доступные делегаты (GPU, NNAPI, Core ML), и порог отбраковки по уверенности. Мы решаем эту задачу: от выбора архитектуры (YOLO, SSD, NanoDet) до финальной обвязки с трекингом, проекцией и публикацией в сторах. Ниже — конкретные приёмы, которые мы применяем в проектах.
Как выбрать модель для мобильной детекции?
Выбор модели зависит от целевого FPS, поддерживаемого оборудования и требований к точности. Рассмотрим три популярные архитектуры: MobileNet SSD, YOLOv8n и NanoDet. MobileNet SSD — баланс скорости и точности, хорошо оптимизирован для TFLite, поддерживает квантизацию до int8. YOLOv8n даёт лучшее качество (mAP 37+) за счёт более глубокой архитектуры, но требует GPU-делегата для комфортной работы. NanoDet — лёгкая модель для слабых устройств без GPU, но точность ограничена.
| Модель | Скорость (мс) на флагмане | mAP на COCO | Лучшее применение |
|---|---|---|---|
| MobileNet SSD (TFLite) | 18–25 (320×320) | 23–27 | Офлайн-фото, широкий спектр устройств |
| YOLOv8n (TFLite/Core ML) | 22–40 (вход 320×320) | 37+ | Real-time видео, высокая точность |
| NanoDet | <10 (Snapdragon 665) | ~20 | Слабые устройства, где главное скорость |
Датасет COCO (Lin et al.) показывает, что YOLOv8n даёт на 30% выше mAP по сравнению с MobileNet SSD при сопоставимой задержке. YOLO остаётся стандартом для реального времени. NanoDet, напротив, проигрывает по точности, но в 2 раза быстрее на слабых устройствах.
Почему трекинг критичен для детекции объектов?
Детектировать на каждом кадре дорого. Правильный подход: детекция раз в N кадров (обычно каждые 5–10), между кадрами — трекинг через SORT или ByteTrack, либо встроенный VNDetectRectanglesRequest с ObjectTrackerObservation на iOS. ML Kit Object Detection & Tracking поддерживает трекинг из коробки через .enableMultipleObjects() и .enableClassification(). Каждый трекируемый объект получает стабильный trackingID — это позволяет показывать информацию об объекте без мерцания при потере/появлении в кадре.
NMS (Non-Maximum Suppression) — важный параметр. По умолчанию iouThreshold = 0.5. Если объекты в кадре перекрываются (например, упакованные товары на конвейере), порог нужно снижать до 0.3–0.35. Иначе детектор "склеивает" соседние объекты в один. Рекомендуемые пороги:
| Порог NMS (iouThreshold) | Эффект | Пример сценария |
|---|---|---|
| 0.5 (по умолчанию) | Хорошо для неперекрывающихся объектов | Одиночные предметы на столе |
| 0.3–0.35 | Уменьшает склейку при перекрытии | Очередь людей, упаковка |
| 0.7 | Разрешает несколько боксов на один объект (редко) | Точное выделение частей объекта |
Пример настройки NMS для высокой плотности объектов
В нашей практике был кейс: приложение для подсчёта количества людей в очереди через статичную камеру (планшет на стойке). Модель YOLOv8n, TFLite, делегат GPU на Android 11+. Проблема: при плотной очереди (>8 человек) детектор пропускал людей в центре — перекрытие выше 60%. Решение: снизили `nmsThreshold` до 0.3, добавили `minDetectionConfidence = 0.4` (вместо 0.5). Количество ложных пропусков упало с 31% до 9%. Дополнительно дообучили модель на кадрах с перекрытием через Roboflow-датасет.Как настроить проекцию bounding box под iOS и Android?
Самая частая визуальная ошибка — bounding box не совпадает с объектом на превью. Причина: модель получает ресайзнутое изображение (например, 320×320), а превью камеры — 1920×1080 с AspectFill или AspectFit. Координаты нужно пересчитать с учётом масштаба и отступов.
На iOS с AVCaptureVideoPreviewLayer:
let converted = previewLayer.layerRectConverted(fromMetadataOutputRect: normalizedRect) VNDetectedObjectObservation возвращает boundingBox в нормализованных координатах (0..1, y снизу). Перед проекцией на UIKit-координаты нужно инвертировать Y-ось: CGRect(x: box.minX, y: 1 - box.maxY, width: box.width, height: box.height). Документация Apple AVCaptureVideoPreviewLayer объясняет этот процесс.
На Android с CameraX + ImageAnalysis: результаты детекции в координатах входного изображения, превью — в координатах PreviewView. Используем MappingUtils из ML Kit или считаем трансформацию вручную через матрицу.
Как достичь 30 FPS?
Кроме выбора модели, важны квантизация (int8 vs float), выбор делегата (GPU, NNAPI, Core ML) и частота детекций. На iOS с Core ML используем .computUnit = .gpuAndNeuralEngine. На Android — GPUDelegate с PrecisionLossAllowed. Для слабых устройств — NNAPI. Тестируем на реальных устройствах, замеряем FPS и температуру процессора. Гарантируем стабильные 30 FPS на флагманах и 15–20 FPS на средних устройствах.
Наш опыт и гарантии
За 5+ лет работы мы реализовали детекцию объектов в 50+ проектах — от ритейла (подсчёт товаров на полке) до безопасности (детекция людей и транспорта). Наши инженеры хорошо знакомы с требованиями App Store Review Guidelines (Section 4.2, 5.1) и Google Play для приложений с камерой, что упрощает публикацию. Также мы гарантируем поддержку после интеграции: отвечаем на вопросы, правим баги, помогаем с дообучением моделей.
Что входит в работу
- Выбор и адаптация детекторной модели под ваше устройство (iOS/Android)
- Интеграция с камерой (CameraX, AVCaptureSession)
- Корректная проекция bounding box на превью
- Настройка трекинга и NMS
- Тестирование на реальных устройствах и оптимизация до 30 FPS
- Подготовка документации и рекомендации по публикации в сторах
Процесс работы
- Аналитика: изучаем ваши сценарии и целевые устройства.
- Проектирование: выбираем архитектуру модели, делегат и параметры постпроцессинга.
- Реализация: интегрируем модель с камерой, настраиваем проекцию и трекинг.
- Тестирование: замеряем FPS, точность, энергопотребление на 5+ устройствах.
- Деплой: готовим сборку, документацию и помогаем с публикацией в App Store и Google Play.
Сроки и как начать
Интеграция готовой модели с проекцией и тюнингом — 1–2 недели. Дообучение на кастомных классах — ещё 1–2 недели. Оценим ваш проект бесплатно — напишите нам. Получите консультацию по детекции объектов в вашем приложении. Свяжитесь с нами, чтобы обсудить ваш сценарий.