AI-покращення якості фото в мобільному додатку

Фотографії з бюджетних смартфонів страждають від шуму та змазу при слабкому освітленні. Стандартні фільтри розмивають текстури. Нейромережевий апскейлінг відновлює деталі, але прямі моделі Real-ESRGAN споживають до 2 ГБ RAM. Ми вирішуємо це завдання за допомогою тайлового інференсу та квантизації, інтегруючи Real-ESRGAN, FFDNet і Zero-DCE у ваш додаток. Наш досвід — 10+ років у мобільній розробці та 30+ проєктів з AI. Економія на хмарних обчисленнях завдяки on-device обробці та зниження витрат на ручну ретуш до 30% — результати, які отримують наші клієнти.

Моделі для покращення фото

Для апскейлінгу 4x застосовується Real-ESRGAN: Enhanced Real-ESRGAN. Модель збільшує 512×512 до 2048×2048, синтезуючи текстури волосся та тексту без розмиття. FFDNet — для денойзингу при високому ISO. Zero-DCE — для HDR-корекції слабоосвітлених знімків. Всі три запускаються через ML-рантайм з тайловим інференсом.

On-device обробка та економія бюджету

Хмарні рішення коштують дорого: $0.01–0.05 за зображення плюс затримка передачі даних. Ручна ретуш одного кадру обходиться в $0.50–2.00, що робить on-device обробку більш вигідною. On-device обробка усуває ці витрати. Економія на хмарних обчисленнях досягає 50% при обсязі 10 000+ фото на місяць. Приватність користувачів не порушується — зображення не залишають пристрій.

Як реалізувати тайловий інференс на iOS?

Real-ESRGAN x4 в оригіналі — 16.7M параметрів, ~2 ГБ RAM при інференсі на повному розширенні. На мобільний не влізе. Рішення — тайловий інференс: нарізаємо зображення на перекривні патчі (tile_size=256, overlap=16), обробляємо по черзі, збираємо з feather-blending. Конвертуємо PyTorch-модель в Core ML через coremltools:

import coremltools as ct
import torch
from realesrgan import RealESRGAN

model = RealESRGAN(device='cpu', scale=4)
model.load_weights('RealESRGAN_x4plus.pth')
model.model.eval()

example_input = torch.zeros(1, 3, 256, 256)
traced = torch.jit.trace(model.model, example_input)

mlmodel = ct.convert(
    traced,
    inputs=[ct.ImageType(name="input", shape=(1, 3, 256, 256),
                         color_layout=ct.colorlayout.RGB)],
    compute_precision=ct.precision.FLOAT16,
    minimum_deployment_target=ct.target.iOS16
)
mlmodel.save("RealESRGAN_x4_tile256.mlpackage")

FLOAT16 з таргетом iOS16+ переносить обчислення на ANE. На iPhone 14 інференс одного тайла — 80–120 мс. Фото 12 Мп нарізається в ~180 тайлів, разом 15–25 секунд.

let config = MLModelConfiguration()
config.computeUnits = .all

let model = try? RealESRGAN_x4_tile256(configuration: config)
let pixelBuffer = tileImage.toCVPixelBuffer()!
let output = try model?.prediction(input: .init(input: pixelBuffer))
let enhancedTile = output?.output.cgImage

Коли потрібен денойзинг замість апскейлінгу?

Якщо роздільна здатність влаштовує, але є шум, використовуйте FFDNet. Модель легша (1–3 МБ) і швидша. На iOS — через Core ML з нормалізацією вхідних даних. Поширена помилка: забувають нормалізувати пікселі [0,1] — модель видає чорний або засвічений результат.

Покрокова інструкція з інтеграції

1. Вибір моделі. Визначте завдання: апскейлінг, денойзинг або HDR. Для максимальної якості — Real-ESRGAN, для швидкого 2x — ESRGAN Lite.
2. Конвертація. Конвертуйте PyTorch-модель в Core ML або TFLite з квантизацією FP16/INT8. Використовуйте таргет iOS16+ для ANE, GPU Delegate для Android.
3. Реалізація тайлового інференсу. Розмір тайла 256–512, перекриття 8–32. Застосуйте feather-blending для усунення стиків.
4. Інтеграція в UI. Додайте прогрес-бар з лічильником тайлів. Інференс — у фоновому потоці.
5. Тестування. Перевірте на 10+ пристроях, заміряйте PSNR/SSIM і час обробки.

Орієнтири за термінами

Одна платформа, базова модель (денойзинг або апскейлінг) — 2–3 тижні. Обидві платформи з кількома моделями, налаштуванням якості та складним feather-blending — 5–8 тижнів.

Отримайте консультацію по вашому проєкту — оцінимо складність і підберемо модель. Замовте інтеграцію під ключ з гарантією продуктивності.

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.