AI-стилізація фото в мобільному застосунку: реалізація

Чому on-device AI-стилізація вигідніша за серверну?

Ми реалізуємо інтеграцію AI-стилізації фотографій у мобільні застосунки. Основна біль клієнтів — Neural Style Transfer (NST) на мобілці не має гальмувати. Модель VGG-19 важить 500+ MB, а обробка кадру 512×512 на iPhone 12 без прискорення займає 3–4 секунди. Користувач таке не пробачить. Наш досвід показує: правильний вибір архітектури — запорука успіху. On-device інференс у 10 разів швидший за серверний, що критично для UX.

Серверний шлях (через Replicate, Stability AI або власний бекенд на PyTorch) простий у реалізації, але затримка від 3 до 15 секунд. On-device через CoreML або TFLite — складніше, але дає миттєвий preview. Нижче — порівняння підходів.

На практиці ми рекомендуємо гібрид: on-device для швидкого прев’ю (256×256), сервер — для фінального експорту в 4K. Це знижує витрати на серверну інфраструктуру на 30%. Вибір архітектури — ключовий етап. Отримайте консультацію наших інженерів.

Як підготувати модель для мобільного деплою?

Стандартний PyTorch-чекпоінт не можна скормити Core ML Tools напряму. Ланцюжок перетворень:

1. Навчаємо або беремо готовий Fast NST у PyTorch (torchvision.models або кастомний).
2. torch.onnx.export → ONNX граф.
3. coremltools.convert(onnx_model, compute_precision=ct.precision.FLOAT16) → .mlpackage.
4. Тестуємо на симуляторі через MLModel.prediction(from:).

Квантизація FLOAT16 дає дворазове зменшення розміру без помітної втрати якості. INT8 — ще агресивніше, але артефакти на текстурах стають помітними. Для Android: tf.lite.TFLiteConverter.from_keras_model() → .tflite з посттренувальною квантизацією.

Інтеграція в iOS

import CoreML
import Vision

class StyleTransferProcessor {
    private let model: VNCoreMLModel

    init() throws {
        let mlModel = try FastNST(configuration: MLModelConfiguration()).model
        model = try VNCoreMLModel(for: mlModel)
    }

    func process(image: CGImage, completion: @escaping (CGImage?) -> Void) {
        let request = VNCoreMLRequest(model: model) { req, _ in
            guard let obs = req.results?.first as? VNPixelBufferObservation else {
                completion(nil); return
            }
            let ciImage = CIImage(cvPixelBuffer: obs.pixelBuffer)
            completion(CIContext().createCGImage(ciImage, from: ciImage.extent))
        }
        request.imageCropAndScaleOption = .scaleFill
        try? VNImageRequestHandler(cgImage: image).perform([request])
    }
}

Metal Performance Shaders задіюються автоматично через Neural Engine — не потрібно писати шейдери вручну.

Як керувати пам’яттю та батареєю?

Найчастіша помилка — тримати модель завантаженою постійно. На пристроях з 3 GB RAM (iPhone SE 2, бюджетні Android) це провокує jetsam-кілл. Правило: MLModel ініціалізується ліниво, при першому зверненні, і вивантажується після 10 хвилин неактивності. Гарантія стабільності — наше зобов’язання.

Батарея: NST навантажує Neural Engine. Для live preview обмежуємо частоту до 10–15 fps через CADisplayLink з preferredFramesPerSecond. Повний 30 fps на iPhone 14 Pro реальний, але розрядка прискорюється на 30%. Досвід показує, що користувачі віддають перевагу балансу.

Що робити з великими роздільностями?

CoreML моделі приймають фіксований input shape. Якщо модель навчена на 512×512, а користувач завантажив 48 MP фото (8064×6048) — потрібно downscale перед інференсом і upscale результату. Простий UIImage resize втрачає деталі. Ми використовуємо Guided Upsample через MPSImageBilinearScale або Real-ESRGAN для апскейлу до 4K. Це додає крок обробки, але фінальна якість гідна.

Порівняння моделей для on-device NST

Fast NST з MobileNet — оптимальний вибір для мобільних пристроїв.

Серверний шлях через Replicate

Якщо on-device не підходить, Replicate API дає доступ до NST моделей. Запит:

POST https://api.replicate.com/v1/predictions
Authorization: Token <key>
{
  "version": "<model_version_hash>",
  "input": {
    "content_image": "<base64_or_url>",
    "style_image": "<base64_or_url>",
    "output_image_size": 1024
  }
}

Polling статусу кожні 2 секунди. Результат за 8–20 секунд. Ключ зберігаємо на backend-proxy — на клієнті його бути не повинно.

Що входить у роботу?

• Аналітика та прототип: вибір архітектури (on-device / сервер / гібрид), підбір моделі, оцінка продуктивності.
• Підготовка моделі: навчання / дистиляція, квантизація, конвертація в CoreML / TFLite.
• Інтеграція в застосунок: SwiftUI / Jetpack Compose, live preview, обробка жестів, збереження.
• Серверна частина (за необхідності): бекенд на FastAPI, інтеграція Replicate, кешування.
• Тестування: на реальних пристроях (iPhone SE 2, 12, 14 Pro, Pixel 6, Samsung S22) з вимірюванням fps та енергоспоживання.
• Документація та навчання: передача вихідних кодів, CI/CD, інструкція для команди замовника.

Строки та вартість

On-device інтеграція готової моделі — 3–5 днів. Повний цикл з підбором моделі, квантизацією, live preview та серверним експортом — 2–4 тижні. Вартість розраховується індивідуально після уточнення вимог. Наші сертифікати та 5+ років досвіду в мобільній розробці — гарантія результату. Реалізуємо фічу під ключ. Зв’яжіться з нами для оцінки вашого проекту.

Neural Style Transfer — основна концепція.

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.