Пайплайн заміни обличчя: детекція, заміна, модерація

Багато команд стикаються з двома основними проблемами при впровадженні заміни обличчя: відхилення додатку через невідповідність правилам стору та недостатня якість заміни — артефакти, невідповідність кольору шкіри, неприродні контури. Розглянемо архітектуру production-ready пайплайну face swap, включаючи on-device та API-підходи, пост-обробку, модерацію контенту та вимоги синдикатів App Store та Google Play. Зв'яжіться з нами для оцінки вашого проєкту.

Чому on-device face swap — рідкість?

Моделі SimSwap (300 MB), FaceShifter (250 MB), GHOST (100 MB) потребують GPU. TFLite-порти втрачають ~15% якості. MediaPipe Face Mesh дає 468 landmarks у реальному часі — ми використовуємо їх для alignment. Однак сам swap потребує нейромережевого інференсу. On-device реалізація можлива через Core ML на iPhone 14 Pro+: дистильована модель обробляє кадр за 1–3 секунди. На Android — GPU-делегат TFLite, але поведінка різна (Adreno 730 vs PowerVR). У продакшен-додатках частіше використовують API: InsightFace, Akool, DeepFaceLab. Akool face_swap endpoint повертає результат за 5–15 секунд.

API-підхід швидше впровадити та економить ресурси пристрою, але on-device гарантує конфіденційність та роботу офлайн. Ми пропонуємо обидва варіанти залежно від завдань клієнта.

Як виконується пост-обробка після заміни обличчя?

Навіть хороший face swap дає артефакти. На iOS ми застосовуємо CIFilter(name: "CIGaussianBlur") по масці обличчя та CIBlendWithMask для плавного переходу; для складних випадків — Metal Performance Shaders. Колір шкіри між обличчям та шиєю може не збігатися — colour transfer через LAB-кольоровий простір з фільтром CIColorCube. На Android використовуємо OpenCV для GaussianBlur та inpaint. Економія на інфраструктурі при on-device може сягати суттєвих значень порівняно з API при високому навантаженні.

Пайплайн обробки на клієнті

До відправки на сервер потрібна передобробка:

// Android: детекція та кропування обличчя перед відправкою
class FacePreprocessor(private val context: Context) {
    private val detector = FaceDetection.getClient(
        FaceDetectorOptions.Builder()
            .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE)
            .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL)
            .build()
    )

    suspend fun extractFace(bitmap: Bitmap): FaceExtractionResult {
        val image = InputImage.fromBitmap(bitmap, 0)
        val faces = detector.process(image).await()
        if (faces.isEmpty()) throw FaceSwapError.NoFaceDetected
        if (faces.size > 1) throw FaceSwapError.MultipleFaces

        val face = faces.first()
        val bounds = face.boundingBox
        // Expand bounds by 40% for better context
        val expandedBounds = expandRect(bounds, 0.4f, bitmap.width, bitmap.height)
        val croppedBitmap = Bitmap.createBitmap(
            bitmap, expandedBounds.left, expandedBounds.top,
            expandedBounds.width(), expandedBounds.height()
        )
        return FaceExtractionResult(croppedBitmap, face.headEulerAngleY)
    }
}

Кут повороту голови (headEulerAngleY) важливий: при відхиленні >30° якість swap різко падає — про це варто попередити користувача.

Процес роботи

1. Аналітика: визначення джерела (фото, відео), вибір підходу (on-device/API), оцінка метрик.
2. Проєктування: розробка архітектури, вибір моделей (Core ML/TFLite), дизайн UI.
3. Реалізація: інтеграція детекції облич (MediaPipe, ML Kit), передобробка, відправка запиту, пост-обробка.
4. Тестування: перевірка на різних пристроях, A/B тестування якості, стрес-тести.
5. Деплой: публікація в App Store/Google Play, налаштування модерації, моніторинг.

Що входить в роботу

Повний пакет включає:

• Документація з архітектури та інтеграції API (специфікації endpoints, postman collection).
• Доступи до API (тестові ключі, пісочниця).
• Навчання команди замовника (2-3 воркшопи з роботи з пайплайном та модерацією).
• Технічна підтримка на етапі впровадження та після релізу (1 місяць).
• Інтеграція ватермарка та дисклеймера, налаштування Terms of Service під вимоги стору.

Правові обмеження та модерація

Face swap — область з жорсткими вимогами App Store Review Guidelines (Guideline 1.1 Objectionable Content). Apple відхиляє додатки, які:

• дозволяють вставити чуже обличчя без явної згоди;
• не мають watermark або маркування AI-generated;
• можуть використовуватися для deepfake.

Обов'язковий мінімум: watermark на результаті, явний дисклеймер в onboarding, Terms of Service із забороною використання реальних облич без згоди, система репортингу контенту.

Content moderation на сервері: перед генерацією прогнати через Amazon Rekognition DetectModerationLabels або Google Cloud Vision Safe Search. Якщо вхідне фото flagged — відхилити на backend, не доводити до генерації.

Зберігання та видалення

Результати face swap не повинні зберігатися на сервері довше, ніж потрібно для доставки клієнту. Стандартна практика: TTL 24-48 годин, потім автовидалення з S3/GCS. Вхідні фото — видаляти одразу після обробки.

Строки

Базова інтеграція API з детекцією обличчя та відображенням результату — 4-6 днів. З blending пост-обробки, модерацією контенту, watermarking та відповідністю стор-політикам — 3-4 тижні. Вартість розраховується індивідуально після аудиту вашого проєкту. Ми — команда сертифікованих розробників з 5+ років досвіду в мобільній розробці та AI, що реалізувала 10+ проєктів з face swap. Замовте тестову інтеграцію або отримайте консультацію — оцінимо ваш проєкт безкоштовно.

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.