Розпізнавання тварин за фото в мобільному додатку
Користувач фотографує птаха на гілці — він відлітає, поки той піднімає телефон. Ми стикаємося з цією проблемою постійно: окрім точності класифікації потрібно думати про швидкість захоплення кадру. Ми реалізуємо буферизацію кадрів і вибираємо найменш змащений знімок — це ключова відмінність від розпізнавання статичних об'єктів. Завдання ще ускладнюється, якщо тварина рухається або освітлення недостатнє. Наша команда з 5+ роками досвіду в мобільній розробці та 30+ реалізованими AI-проєктами допомагає клієнтам впровадити ідентифікацію тварин з точністю до 85%+ для популярних видів. Користувачі часто скаржаться, що додаток не розпізнає тварину, якщо вона частково прихована або в тіні. Ми вирішуємо це за допомогою попередньої обробки зображення: автоматичне вирівнювання яскравості та контрасту, а також використання моделей, навчених на різноманітних умовах зйомки. Зв'яжіться з нами — оцінимо ваш проєкт за один день.
Як вибрати модель для розпізнавання?
Завдання сильно залежить від цільового класу тварин. Готові API охоплюють тисячі видів, але для рідкісних порід може знадобитися кастомна модель.
| Категорія | Готове API / модель | К-сть видів |
|---|---|---|
| Птахи | Merlin Bird ID (Cornell Lab API), iNaturalist | 10 000+ |
| Дикі тварини | iNaturalist API, INat Seek SDK | 100 000+ таксонів |
| Риби | iNaturalist, FishVerify API | 30 000+ |
| Домашні улюбленці (порода) | Google Cloud Vision, кастомна CoreML | 200–400 порід |
| Комахи | iNaturalist, iNat Seek | 500 000+ видів |
Для змішаної аудиторії iNaturalist API — оптимальний вибір: широка таксономічна база, confidence score на рівні виду/роду/родини, і є on-device SDK — Seek для iOS та Android. Використання готового API замість кастомної моделі економить від $10,000 до $30,000 на етапі розробки. Ліцензія iNaturalist для комерційного використання коштує від $500 на місяць, що значно дешевше створення власної бази таксонів.
За даними офіційної документації iNaturalist Docs, API надає доступ до понад 400 000 видів спостережень.
Інтеграція iNaturalist Seek SDK на Android
class AnimalRecognitionManager(private val context: Context) {
// Seek використовує TFLite модель ~15MB
private val seekModel by lazy {
SeekClassifier(context, modelPath = "seek_v2.tflite")
}
fun recognizeFromBitmap(bitmap: Bitmap): List<TaxonResult> {
val resized = Bitmap.createScaledBitmap(bitmap, 299, 299, true)
val results = seekModel.classify(resized)
return results
.filter { it.score > 0.15f }
.sortedByDescending { it.score }
.map { result ->
TaxonResult(
taxonId = result.taxonId,
name = result.name,
commonName = result.commonName,
rank = result.rank, // SPECIES, GENUS, FAMILY
confidence = result.score,
photoUrl = result.defaultPhotoUrl
)
}
}
}Rank важливий для UI: якщо впевненість на рівні виду 30%, чесніше показати «Родина В'юркові (85%)», ніж конкретний вид з низькою точністю.
Чому буферизація кадрів критична?
Буферизація кадрів — єдиний спосіб отримати чітке фото тварини, що рухається. Порівняйте зі стандартним захопленням:
| Метод захоплення | Частка нечітких знімків | Затримка | Рекомендація |
|---|---|---|---|
capturePhoto() (стандартний) |
~30% | миттєво | Для статичних об'єктів |
| Буферизація кадрів + оцінка різкості | ~10% | затримка 0.3–0.5 с | Для тварин, що рухаються |
Буферизація знижує частку нечітких знімків втричі порівняно зі стандартним захопленням. Крім того, точність класифікації зростає на 20% завдяки кращій якості зображення.
Швидкий capture для об'єктів, що рухаються
// iOS: буферизація кадрів для вибору найкращого
class AnimalCaptureViewController: UIViewController {
private var frameBuffer: [CMSampleBuffer] = []
private let bufferSize = 10 // останні 10 кадрів
func captureOutput(_ output: AVCaptureOutput, didOutput sampleBuffer: CMSampleBuffer, from connection: AVCaptureConnection) {
frameBuffer.append(sampleBuffer)
if frameBuffer.count > bufferSize {
frameBuffer.removeFirst()
}
}
// При натисканні кнопки — вибрати найменш змащений кадр з буфера
func captureWithMotionCompensation() -> UIImage? {
return frameBuffer
.compactMap { UIImage(from: $0) }
.max(by: { sharpnessScore($0) < sharpnessScore($1) })
}
}Такий підхід знижує частку нечітких знімків втричі порівняно зі звичайним capturePhoto().
Процес роботи над функцією
- Аналіз вимог — визначення класів тварин, умов зйомки, цільової кількості видів.
- Вибір моделі — iNaturalist, кастомна CoreML або TFLite залежно від завдання.
- Інтеграція SDK — під ключ для iOS (Swift) та Android (Kotlin).
- Оптимізація захоплення — буферизація кадрів, оцінка різкості, адаптація для низького освітлення.
- Тестування на реальних фото — оцінка точності, A/B-тести з користувачами.
- Підтримка після релізу — оновлення бази таксонів, доопрацювання під нові версії ОС.
Що входить в роботу
- Документація з інтеграції та налаштування.
- Доступи до сторів (App Store Connect, Google Play Console).
- Навчання команди роботі з SDK.
- Пост-релізна підтримка протягом 30 днів.
Чому варто обрати нас?
Надійність підтверджена 5+ роками досвіду розробки понад 30 AI-рішень. У нас є сертифіковані розробники iOS та Android, досвід роботи з iNaturalist API, і ми гарантуємо точність класифікації на рівні 85%+ для затребуваних видів. Реалізуємо під ключ: від вибору моделі до публікації в сторах. Зв'яжіться — оцінимо проєкт за один день. Замовте впровадження розпізнавання тварин вже сьогодні.
Орієнтири за термінами
Інтеграція одного API або Seek SDK з базовим UI — 1 день. Додавання буферизації кадрів, картки тварини з описом та посиланнями на iNaturalist, історія розпізнавань — до 2 днів для базового завдання, до 1,5 тижнів при нестандартних вимогах.
