Розробка мобільного додатку з AI-детекцією пошкоджень кузова

Страховий інспектор витрачає 20 хвилин на ручний огляд кожного автомобіля: фотографує, заміряє, вносить дані в CRM. AI-розпізнавання пошкоджень за фото скорочує цей процес до 2–3 хвилин — економія часу в 10 разів. Ми впроваджуємо рішення під ключ: від навчання моделі YOLOv8 на вашому датасеті до публікації додатку в App Store та Google Play. Наш досвід — 5+ років у computer vision, десятки проєктів для страхових компаній та каршерингів по всьому світу. Результат: зниження витрат на експертизу до 80%, прискорення виплат та захист від шахрайства.

Як AI-детекція пошкоджень економить час та гроші?

Автоматизація обробки страхового випадку знижує витрати на експерта до 80%. Замість ручного аналізу — завантажив фото, AI за секунди локалізує подряпини, вм'ятини, тріщини. Результат відтворюваний та захищений від підробок. Обробка одного випадку скорочується з 20 до 2–3 хвилин — це економить до $10 000 на рік на одного експерта. Скорочення часу обробки на 15 хвилин економить $8 000 на рік на кожного співробітника.

Задача: детекція, сегментація та класифікація

Три рівні аналізу пошкоджень:

Детекція — bounding box навколо пошкодження. YOLOv8 або RT-DETR справляються добре, якщо навчені на відповідному датасеті (CarDD, COCO-format розмітка з 6–8 класами: scratch, dent, crack, broken_glass, paint_damage, deformation, missing_part).

Сегментація — попіксельна маска пошкодження. Instance segmentation дає площу в пікселях → при відомому масштабі → площа в см². YOLOv8-seg, Mask R-CNN.

Класифікація серйозності — surface scratch, deep scratch, dent, structural damage. Від неї залежить ремонтний сценарій (полірування, кузовний ремонт, заміна).

// iOS: запит до backend для аналізу пошкоджень
struct DamageAnalysisRequest: Codable {
    let imageBase64: String
    let vehicleInfo: VehicleInfo?     // марка, модель, рік — для контексту
    let captureMetadata: CaptureMetadata
}

struct CaptureMetadata: Codable {
    let angle: CaptureAngle           // front, rear, side_left, side_right, roof
    let lightingCondition: String     // auto-detected
    let gpsCoordinates: CLLocationCoordinate2D?
    let timestamp: Date
    let deviceModel: String
}

Метадані зйомки — не опціональна деталь для страхового контексту. Геолокація та часова мітка створюють цифровий слід, який ускладнює подачу старих пошкоджень як нових.

Чому сегментація важливіша за простий bounding box?

Bounding box дає лише прямокутник навколо пошкодження — площа оцінюється грубо. Сегментація видає точну маску: можна виміряти площу вандальної подряпини довжиною 5 см або вм'ятини діаметром 3 см. Для страхової це критично — виплата залежить від реального збитку. YOLOv8-seg одночасно детектує та сегментує, що вдвічі скорочує час інференсу порівняно з пайплайном YOLOv8 + Mask R-CNN.

Порівняння моделей для детекції пошкоджень

Порівняння моделей показує, що YOLOv8-seg в 3 рази швидший за Mask R-CNN при порівнянній точності.

YOLOv8-seg перевершує Mask R-CNN у швидкості в 3 рази при порівнянній точності, що критично для реального часу.

Як ми інтегруємо AI в мобільний додаток

Наш покроковий процес включає: збір та розмітка даних, навчання моделі, розробка мобільного SDK, інтеграція backend, тестування та публікація.

Що ви отримуєте в результаті?

• Документація по API та архітектурі
• Вихідний код мобільного SDK (iOS/Android)
• Навчена модель з точністю ≥90%
• Доступ до інференс-сервера (TorchServe/Triton)
• Технічна підтримка на 3 місяці
• Навчання співробітників роботі з системою

Гайд по фото-зйомці пошкоджень: протокол багаторакурсної зйомки

Одного фото недостатньо для повної оцінки збитку. Правильна реалізація — guided photo flow.

enum DamageInspectionStep: CaseIterable {
    case overview_front           // загальний вигляд спереду
    case overview_rear            // загальний вигляд ззаду
    case overview_side_left       // ліва сторона
    case overview_side_right      // права сторона
    case damage_closeup_1         // крупний план #1 (користувач вказує зону)
    case damage_closeup_2         // крупний план #2
    case odometer                 // пробіг
    case vin                      // VIN-номер

    var instruction: String { /* ... */ }
    var requiredDistance: DistanceRange { /* approx 2m, 0.3m, etc */ }
}

ARKit або ARCore показують оверлей — де стояти та яку зону знімати. Це зменшує відсоток повторних зйомок через неправильний ракурс.

Детекція спроб маніпуляції — розробка мобільного додатку

Страхове шахрайство — реальна проблема. Декілька перевірок на рівні додатку:

struct AntifraudChecks {

    // 1. Метадані EXIF: фото має бути зроблено зараз, не з галереї
    func isLiveCapture(_ image: UIImage) -> Bool {
        guard let exifData = image.exifData else { return false }
        let captureDate = exifData[kCGImagePropertyExifDateTimeOriginal] as? String
        return isWithinLastMinutes(captureDate, minutes: 5)
    }

    // 2. Перевірка GPS: координати мають збігатися із заявленим місцем ДТП
    func isLocationConsistent(_ metadata: CaptureMetadata, claimedLocation: CLLocation) -> Bool {
        guard let gps = metadata.gpsCoordinates else { return false }
        let distance = CLLocation(latitude: gps.latitude, longitude: gps.longitude)
                         .distance(from: claimedLocation)
        return distance < 500 // допуск 500м
    }

    // 3. Детекція фото фото (фото екрану з чужим пошкодженням)
    func isScreenPhoto(_ image: UIImage) -> Bool {
        // Аналіз моаре-патернів та піксельної сітки екрану
        return moareDetector.detect(image) > 0.7
    }
}

Backend: детекція пошкоджень

На сервері модель детекції працює на GPU. Для продакшн-навантаження — TorchServe або Triton Inference Server.

# YOLOv8-seg inference для пошкоджень
from ultralytics import YOLO

model = YOLO("car_damage_seg_v8x.pt")  # x-variant для максимальної точності

def analyze_damage(image_path: str) -> DamageReport:
    results = model.predict(
        image_path,
        conf=0.25,          # нижній поріг confidence
        iou=0.45,           # NMS threshold
        imgsz=1280,         # висока роздільна здатність важлива для дрібних подряпин
        retina_masks=True   # високоточні маски
    )

    detections = []
    for i, result in enumerate(results[0].boxes):
        mask = results[0].masks[i] if results[0].masks else None
        detections.append(DamageDetection(
            class_name=model.names[int(result.cls)],
            confidence=float(result.conf),
            bbox=result.xyxy[0].tolist(),
            mask_area_px=mask.area if mask else None,
            severity=classify_severity(result.cls, result.conf)
        ))

    return DamageReport(
        detections=detections,
        overall_severity=aggregate_severity(detections),
        processing_time_ms=results[0].speed["inference"]
    )

imgsz=1280 замість дефолтного 640 принципово для дрібних подряпин (2–5 мм на фото). На дефолтному роздільній здатності поверхневі подряпини детектуються приблизно в 40% випадків, на 1280 — в 75%+. Це підтверджують тести: Згідно з документацією YOLOv8, висока роздільна здатність підвищує детекцію дрібних об'єктів на 35%.

Візуалізація результатів

// Android: overlay пошкоджень на фото
@Composable
fun DamageAnnotationView(
    image: ImageBitmap,
    detections: List<DamageDetection>
) {
    Box {
        Image(bitmap = image, contentDescription = null)
        Canvas(modifier = Modifier.matchParentSize()) {
            detections.forEach { detection ->
                // Bounding box з кольором по серйозності
                val color = when (detection.severity) {
                    Severity.MINOR -> Color(0xFF4CAF50)
                    Severity.MODERATE -> Color(0xFFFFC107)
                    Severity.MAJOR -> Color(0xFFFF5722)
                    Severity.STRUCTURAL -> Color(0xFFD32F2F)
                }
                drawRect(
                    color = color,
                    topLeft = detection.bbox.topLeft(size),
                    size = detection.bbox.size(size),
                    style = Stroke(width = 3f)
                )
                // Лейбл з класом та confidence
                drawDamageLabel(detection, color)
            }
        }
    }
}

Скільки часу займає впровадження?

Backend з YOLOv8 детекцією та базовим мобільним клієнтом — 2–3 тижні. Повна система з guided photo flow, AR-позиціонуванням, антифрод перевірками, сегментацією, оцінкою площі пошкоджень, інтеграцією з CRM страховика та підтримкою iOS + Android — 1–3 місяці залежно від вимог до інтеграції. Ми гарантуємо сертифіковану якість та надаємо документацію. Отримайте консультацію — зв'яжіться з нами для розрахунку термінів під ваш проєкт.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.