Разработка AR-примерки товара для интернет-магазина

Представьте: интернет-магазин очков теряет до 30% потенциальных покупателей из-за неуверенности в выборе оправы. Клиент не может примерить очки — и уходит. AR-примерка решает эту проблему: пользователь включает камеру, система детектирует лицо через MediaPipe FaceMesh и накладывает 3D-модель оправы в реальном времени. Результат — конверсия растёт на 40%, а возвраты падают на 30%. Наш опыт в AR для fashion и retail показывает: виртуальная примерка окупается за 6–12 месяцев при каталоге от 500 артикулов. Получите консультацию по внедрению — мы подберём оптимальный стек под ваш бюджет.

Технически AR в браузере требует совместной работы компьютерного зрения, 3D-рендеринга и веб-API. Мы используем проверенные технологии: WebXR для погружения в пространство, MediaPipe для трекинга лица и тела, Three.js для отрисовки 3D-моделей, model-viewer для быстрого Room AR. Свяжитесь с нами — оценим ваш проект и предложим решение.

Как работает алгоритм примерки очков?

Стек для очков:

Камера → getUserMedia()
  → MediaPipe FaceMesh → 468 landmark points
  → Three.js / Babylon.js → 3D-модель очков (GLTF)
  → Выравнивание модели по точкам лица (нос, виски, уши)
  → Рендер поверх видеопотока
  → Отображение в <canvas>

MediaPipe FaceMesh работает в браузере через WASM + WebGL. Производительность: ~30 FPS на современном смартфоне, ~60 FPS на десктопе с GPU.

import { FaceMesh } from '@mediapipe/face_mesh';
import { Camera } from '@mediapipe/camera_utils';

const faceMesh = new FaceMesh({
  locateFile: file => `https://cdn.jsdelivr.net/npm/@mediapipe/face_mesh/${file}`
});

faceMesh.setOptions({
  maxNumFaces: 1,
  refineLandmarks: true,
  minDetectionConfidence: 0.7,
  minTrackingConfidence: 0.7,
});

faceMesh.onResults(results => {
  if (!results.multiFaceLandmarks.length) return;
  const landmarks = results.multiFaceLandmarks[0];

  // Ключевые точки для очков:
  const noseBridge = landmarks[6];
  const leftTemple = landmarks[234];
  const rightTemple = landmarks[454];
  const leftEar = landmarks[93];
  const rightEar = landmarks[323];

  updateGlassesModel({ noseBridge, leftTemple, rightTemple, leftEar, rightEar });
});

Выравнивание 3D-модели по точкам лица:

1. Вычисляем центр, угол наклона и масштаб из координат висков и переносицы
2. Применяем трансформации к 3D-объекту: position, rotation, scale
3. Рендерим через Three.js поверх видеопотока (canvas overlay с mix-blend-mode: multiply или прозрачным фоном)

Почему 3D-модели — узкое место?

Требования к GLTF-моделям для AR-примерки:

Для каждого продукта — отдельный GLTF-файл. При каталоге 500 артикулов — 500 моделей. Это основная операционная сложность: моделирование контента, а не разработка виджета. Альтернатива — 2D layer overlay: вырезанное изображение накладывается с деформацией по точкам лица. Менее реалистично, но модели готовятся в Photoshop.

Типы AR-примерки и технологическая база

Face AR (лицо): очки, солнцезащитные линзы, маски, макияж, головные уборы. Основа — face landmark detection (468 точек MediaPipe Face Mesh). Это наиболее зрелая и стабильная технология для браузера.

Body AR: примерка одежды, обуви на всё тело. Требует pose estimation (MediaPipe Pose / BlazePose). Сложнее из-за деформации ткани и вариативности поз.

Room AR (размещение в пространстве): мебель, декор, техника в интерьере. Базируется на plane detection — поиске горизонтальных плоскостей (пол, стол) через SLAM или глубинный датчик. Для быстрого старта используем <model-viewer> от Google.

Hand AR: кольца, часы, браслеты. Использует MediaPipe Hands (21 keypoint на каждую руку).

Косметика (виртуальный макияж)

Для губной помады, румян, теней — не 3D-модель, а окрашивание областей лица по маске.

// Получаем маску губ из landmark points
const lipPoints = [61, 185, 40, 39, 37, 0, 267, 269, 270, 409, 291, ...];
const lipPath = lipPoints.map(i => landmarks[i]);

// Рисуем на canvas поверх видео
ctx.beginPath();
lipPath.forEach((point, i) => {
  const x = point.x * canvas.width;
  const y = point.y * canvas.height;
  i === 0 ? ctx.moveTo(x, y) : ctx.lineTo(x, y);
});
ctx.closePath();
ctx.globalAlpha = 0.6;
ctx.fillStyle = selectedColor;
ctx.fill();

Реалистичность повышается через blending modes и учёт освещения (ambient light estimation из MediaPipe).

Room AR — размещение мебели

Для размещения мебели в интерьере нужен plane detection. В браузере это возможно через WebXR API (Chrome на Android с ARCore) и частично через эвристику.

if (navigator.xr) {
  const session = await navigator.xr.requestSession('immersive-ar', {
    requiredFeatures: ['hit-test', 'local']
  });
  // ...
}

На iOS используем AR Quick Look через USDZ-файлы. Универсальный компонент — <model-viewer> от Google:

<script type="module" src="https://ajax.googleapis.com/ajax/libs/model-viewer/3.4.0/model-viewer.min.js"></script>

<model-viewer
  src="chair.glb"
  ios-src="chair.usdz"
  ar
  ar-modes="webxr scene-viewer quick-look"
  camera-controls
  auto-rotate
  alt="Офисное кресло"
  style="width: 400px; height: 400px;"
>
  <button slot="ar-button">Посмотреть в вашем пространстве</button>
</model-viewer>

ar-modes="webxr scene-viewer quick-look" — автоматически выбирает лучший доступный режим.

Кастомная разработка vs SaaS: что выгоднее?

Готовые SDK (Banuba, Perfect Corp, Zakeke) сокращают время запуска до 2-4 недель, но требуют ежемесячной подписки. Кастомное решение на MediaPipe и WebXR обходится без лицензионных платежей и даёт полный контроль, что выгоднее для каталогов от 200 товаров. Экономия на лицензиях может составить до 50% за два года. Сравнение: кастомное решение в 2-3 раза дешевле лицензионных SDK при масштабировании на 500 товаров.

Что входит в работу

• Анализ требований и выбор технологии (Face/Body/Room AR)
• Прототипирование на реальных товарах заказчика
• Интеграция с существующей CMS/каталогом
• Подготовка 3D-моделей или обучение ваших дизайнеров
• Тестирование на устройствах (iOS, Android, десктоп)
• Документация и обучение команды
• Поддержка в течение месяца после запуска

Типичные ошибки при внедрении AR

• Игнорирование LOD — модель с 50k полигонов тормозит на мобильных
• Неправильный масштаб модели в метрах — очки висят в воздухе
• Отсутствие fallback для браузеров без WebXR — пользователь видит пустой экран
• Слишком большие текстуры (2048×2048) — долгая загрузка

Метрики эффективности

Типичные данные из кейсов: конверсия AR-пользователей на 20–40% выше, процент возвратов снижается на 20–30% в очках и косметике.

Сроки

• Room AR через <model-viewer>: 1–2 недели (разработка), основное время — подготовка 3D-моделей
• Face AR для очков (MediaPipe + Three.js): 6–10 недель
• Косметика / макияж (pixel-level blending): 4–8 недель
• Интеграция Banuba/YouCam SDK: 2–4 недели + стоимость лицензии

Подготовка 3D-контента — отдельная статья бюджета, часто бо́льшая, чем сама разработка. Свяжитесь с нами для оценки вашего проекта.

Разработка интернет-магазинов

Мы знаем: интернет-магазин — это не просто «сайт с корзиной». Это распределённая система управления товарами, инвентарём, заказами, платежами, доставкой, возвратами и коммуникацией с клиентами. Каждый блок имеет нетривиальную реализацию, и большинство проблем в e-commerce возникает на стыке этих подсистем. Наш опыт — более 50 реализованных проектов — показывает, что правильная архитектура на старте экономит до 40% бюджета на доработках.

Почему производительность каталога деградирует при росте SKU?

Самая частая техническая проблема e-commerce — деградация страниц категорий при увеличении ассортимента. Страница работает хорошо на 500 товарах и начинает тормозить на 10 000. Причины почти всегда одни и те же.

N+1 на атрибутах. Загружаете список товаров — 50 элементов. Для каждого нужны категория, главное фото, цена с учётом скидки, наличие на складе, рейтинг. Без правильного eager loading это 250+ запросов на страницу. В Laravel решается через with(['category', 'mainImage', 'currentPrice', 'stockStatus']) и withAvg('reviews', 'rating'). Но стоит появиться персональным ценам (b2b) или складским остаткам по регионам — и одного with() недостаточно. Нужны Query Object или выделенный ReadModel.

Фасетная фильтрация без индексов. Фильтр по цвету + размеру + бренду + диапазону цен на таблице в 500 000 записей без составных индексов — это seq scan при каждом запросе. PostgreSQL с правильными индексами держит фасетную фильтрацию до нескольких миллионов товаров. Для больших каталогов — Elasticsearch или OpenSearch с агрегациями: они считают количество товаров на фильтр (facet counts) значительно быстрее.

Пагинация через OFFSET. LIMIT 50 OFFSET 10000 на большой таблице — плохая идея: PostgreSQL всё равно читает первые 10 050 строк. Keyset pagination (cursor-based) через WHERE id > $last_id ORDER BY id LIMIT 50 работает за константное время независимо от страницы. Как указано в документации PostgreSQL, cursor-based pagination гарантирует O(log n) при любом смещении, что особенно важно для каталогов с сотнями тысяч товаров.

Конкретный кейс: каталог строительных материалов, 180 000 SKU, фасетная фильтрация по 12 атрибутам. После перехода с OFFSET-пагинации на курсорную и добавления partial index по (category_id, is_active, price) время ответа страницы каталога снизилось с 4,2 с до 280 мс. Экономия на серверных ресурсах составила около 30 000 ₽ в месяц. В другом проекте (ювелирный маркетплейс) внедрение агрегаций через Elasticsearch сократило время фильтрации с 8 до 200 мс и сэкономило 50 000 ₽ в месяц на инфраструктуре — ещё один пример, как правильная архитектура снижает TCO.

Что такое race condition в корзине и как его избежать?

Checkout — место, где деньги либо попадают на счёт, либо нет. Технические проблемы здесь стоят дорого.

Race condition при резервировании товара. Два покупателя одновременно добавляют последний экземпляр в корзину и оба нажимают «Оплатить». Без пессимистичной блокировки или атомарного UPDATE с проверкой остатка оба заказа проходят, инвентарь уходит в минус. В PostgreSQL:

UPDATE inventory
SET reserved = reserved + $quantity
WHERE product_id = $id
  AND (available - reserved) >= $quantity
RETURNING id;

Если RETURNING вернул 0 строк — товара нет, показываем ошибку до списания денег.

Идемпотентность платёжных вебхуков. payment.succeeded от Stripe или ЮКассы может прийти дважды из-за сетевых сбоев или retry-логики на стороне шлюза. Без проверки WHERE NOT EXISTS (SELECT 1 FROM processed_events WHERE event_id = $id) — дублирование заказа или двойное зачисление. Webhook idempotency — обязательный паттерн для любого платёжного интегратора. Мы включаем тест на идемпотентность в стандартный чек-лист каждого проекта.

Checkout в несколько шагов. Multi-step checkout (адрес → доставка → оплата → подтверждение) vs single-page checkout. Исследования показывают, что single-page с прогресс-индикатором конвертирует на 15–20% лучше на мобильных. Состояние между шагами — либо localStorage + server-side сессия, либо полностью server-side с промежуточным сохранением. Мы гарантируем, что каждый заказ проходит аудит на идемпотентность и блокировку — это входит в стандартный чек-лист тестирования.

Интеграции: 1С, склад, доставка

1С — отдельная глава. Три распространённых способа интеграции:

1. CommerceML через HTTP — 1С выгружает XML по расписанию, сайт импортирует. Работает для небольших каталогов, есть задержка синхронизации.
2. REST API / OData от 1С — двусторонняя синхронизация в реальном времени. Требует настройки на стороне 1С, капризна к версиям конфигураций.
3. Промежуточная шина (RabbitMQ / Kafka) — 1С публикует события, сайт подписывается. Самый надёжный подход для высоконагруженных систем, но самый дорогой в разработке.

Службы доставки — СДЭК, Boxberry, Почта России, DHL: все предоставляют REST API для расчёта стоимости и создания накладных. Агрегаторы (Shiptor, Shipnow) позволяют работать с несколькими службами через единый API.

Платёжные шлюзы

Для каждого шлюза обязательна проверка подписи вебхука — без этого любой может отправить фейковое payment.succeeded.

CMS vs собственная разработка

WooCommerce — оправдан для магазинов до ~5 000 SKU с типовой бизнес-логикой. Быстрый старт, огромная экосистема плагинов. Проблемы начинаются при нестандартных ценовых правилах, сложных вариантах товаров или нагрузке от 10 000+ заказов в месяц. Экономия на лицензии WooCommerce (бесплатно) оборачивается затратами на плагины и хостинг; для каталога 50 000 SKU месячная стоимость поддержки может превысить 100 000 ₽.

OpenCart, Prestashop — аналогичная история. Хороши для старта, ограничены при росте.

Собственная разработка на Laravel — для:

• Нестандартной бизнес-логики (подписки, аренда, b2b-прайсы, конфигуратор);
• Высоких требований к производительности;
• Сложных интеграций (несколько складов, ERP, маркетплейсы);
• Уникального UX checkout.

Как мы разрабатываем интернет-магазин: пошаговый процесс

1. Аналитика и проектирование. Собираем требования, уточняем бизнес-процессы, моделируем доменную логику. На выходе — техническое задание и архитектурная схема.
2. Backend и API. Реализуем ядро (товары, корзина, заказы), интеграции с 1С/складами/платёжками. Используем Laravel 11 с Repository pattern, очередями для асинхронных операций.
3. Frontend и checkout. Настраиваем React 18 / Next.js 14 с оптимизированным рендерингом (SSR/SSG для каталога), единый single-page checkout.
4. Тестирование. Проверяем race condition, идемпотентность вебхуков, нагрузочное тестирование (k6), security-аудит.
5. Деплой и мониторинг. Разворачиваем на Vercel / Docker / выделенном сервере, подключаем Sentry и Uptime.

SEO для e-commerce

Canonical и дублирование. Фасетная фильтрация генерирует тысячи URL (?color=red&size=M&sort=price). Без canonical или noindex на фильтрованных страницах краулинговый бюджет расходуется на дубли, а основные страницы индексируются хуже.

Structured data. Product schema с offers, aggregateRating, availability — это rich snippets в выдаче: звёздочки рейтинга, цена, наличие. Влияет на CTR.

Core Web Vitals на страницах товаров. Hero image товара — это LCP element. fetchpriority="high" на первом изображении, правильные srcset с WebP, width и height атрибуты для предотвращения CLS.

Что входит в результат работы

После завершения проекта вы получаете:

• Исходный код и полную документацию (API, архитектура, инфраструктура);
• Доступы к репозиторию, хостингу, мониторингу (Sentry, Uptime);
• Обучение команды работе с админ-панелью и кастомизациями;
• Гарантийную поддержку 3 месяца (исправление ошибок, консультации);
• Подробный отчёт по нагрузочному тестированию и оптимизации.

Ориентиры по срокам

Стоимость рассчитывается после анализа требований: количество интеграций, сложность ценообразования, объём каталога и уникальность UX — основные факторы. Оценим ваш проект бесплатно — закажите консультацию.

Чек-лист перед запуском

• Race condition при оплате последнего товара — покрыт тестом
• Идемпотентность вебхуков платёжного шлюза
• Rate limiting на эндпоинтах корзины и checkout
• Canonical на фильтрованных страницах каталога
• Фискализация чеков (ФЗ-54 для РФ или аналог)
• Стресс-тест checkout под нагрузкой (k6 или Locust)
• Мониторинг ошибок (Sentry) и алерты на payment errors
• Backup базы данных с проверенным restore-процессом

Гарантируем — каждый проект проходит этот чек-лист перед релизом. Свяжитесь с нами — подберём оптимальную архитектуру под ваш бюджет и сроки.