Розробка AI-покращення якості відео в мобільному додатку

Реалізація AI-покращення якості відео в мобільному додатку

Клієнти часто приходять з відеофайлами, знятими на старі камери або стисненими для економії місця: 480p, бітрейт 1 Мбіт/с, шуми в тінях. Завдання — підняти якість до 1080p, прибрати артефакти стиснення, стабілізувати тремтіння. Обробка фото тут не працює: відео — це 30 кадрів на секунду, кожен кадр потрібно обробити швидко, зберігаючи узгодженість між ними. Рішення розпадається на два режими: постобробка (ролик 1 хвилина за 2–3 хвилини) та real-time (33 мс на кадр при 30 fps). Ми реалізували десятки таких пайплайнів для iOS та Android — від простого апскейлінгу до комплексного temporal-покращення. Замовте розробку AI-покращення відео: ми підберемо архітектуру під ваш сценарій.

Як вибрати модель для мобільного пристрою?

Вибір моделі визначається цільовою роздільною здатністю та доступним залізом. Для постобробки використовуємо per-frame моделі (наприклад, Real-ESRGAN) — вони прості в деплої, але страждають temporal flickering. Temporal-моделі (BasicVSR++ з вікном 3–5 кадрів) дають плавний результат, але вимагають батчевої обробки та більше пам'яті. На мобільних пристроях ми застосовуємо полегшені версії з тайлінгом 256×256. Для real-time — легкі кастомні моделі (2–4 МБ), розраховані на вхід 360–480p та прискорення через Core ML або TFLite GPU Delegate.

Реалізація на iOS та Android

iOS: Використовуємо AVAssetReader для декодування в CVPixelBuffer, конвертуємо YUV→RGB через Metal shader, прогоняємо через Core ML модель, конвертуємо назад та пишемо через AVAssetWriter. Конвертація через Metal критична — на CPU це 15–20 мс на кадр тільки на колірний простір. Для денойзингу застосовуємо Real-ESRGAN або temporal-моделі. Temporal flickering прибираємо постпроцесингом: усереднення активацій сусідніх кадрів з вагою 0.1–0.2.

Android: Декодування через MediaCodec в Surface (текстуру OpenGL), обробка TFLite з GPU Delegate (працює безпосередньо з текстурами через setExternalContext()). Для Full HD тайлова нарізка 256×256 дає ~48 тайлів, при інференсі 15 мс/тайл — 720 мс на кадр. Для quick-enhance — легка модель без тайлінгу, downscale до 540p.

Чому temporal consistency важлива?

Незалежна обробка кожного кадру призводить до мерехтіння: деталі то з'являються, то зникають на межах. Ми вирішуємо це двома способами: використовуємо temporal-моделі з вікном 3–5 кадрів або додаємо постпроцесинг з усередненням активацій. У результаті відео виглядає природно, без flickering. Часова узгодженість — ключова відмінність професійного рішення від простого апскейлінгу.

Real-time та аудіо

Для real-time працюємо зі зменшеною роздільною здатністю: на iPhone 14 Pro — ESRGAN x2 на 480p (~28 мс через ANE), на Snapdragon 8 Gen 2 — через GPU Delegate. Використовуємо CameraX з ImageAnalysis та стратегією KEEP_ONLY_LATEST. Аудіо копіюється без змін: через AVAssetReaderTrackOutput або MediaExtractor, синхронізація PTS один до одного. Типова помилка — забути синхронізувати PTS, що призводить до розсинхрону звуку.

Порівняння підходів

Що входить в роботу

Орієнтири за термінами

Постобробка на одній платформі з per-frame моделлю — 3–5 тижнів. Обидві платформи з temporal-узгодженістю та real-time режимом — 8–14 тижнів. Вартість розробки розраховується індивідуально залежно від складності.

Отримайте консультацію щодо вашого проекту — ми проаналізуємо сценарії, підберемо оптимальну архітектуру та назвемо точні терміни. Працюємо під ключ з гарантією результату.

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.