AI-віртуальний фон для відеодзвінків на мобільних

Під час розробки мобільного додатку для відеодзвінків клієнти часто стикаються з проблемою: стандартна реалізація віртуального фону через сервер дає затримки та артефакти. В одному проекті замовник використовував хмарний AI від AWS Rekognition — кожен кадр йшов у хмару, повертався через 60–80 мс. У результаті контур флуктував, користувачі скаржилися на якість.

Ми вирішили її, перенісши сегментацію на пристрій. Серверна обробка додає 40–80 мс на кожен кадр, що при 30 fps призводить до помітного розриву контуру та «привиду» при швидких рухах. On-device сегментація вкладається в 8–28 мс, що в 5-10 разів швидше за хмарний інференс. Економія на серверних GPU-обчисленнях може сягати $2000–$3000 на місяць для додатку з 10 000 активних користувачів. Ключова перевага — сегментація на пристрої, а не в хмарі. Це не тільки знижує витрати на інфраструктуру, але й забезпечує конфіденційність користувацьких даних. На кожному кадрі відеопотоку нейромережа виділяє силует людини, застосовує фон (зображення, відео або розмиття) і повертає результат у пайплайн енкодера — все без передачі даних на сервер. Типовий бюджет часу — 33 мс на кадр, і on-device рішення легко в нього вкладається. Для бюджетних пристроїв ми використовуємо легкі моделі, знижуємо частоту кадрів до 24 fps — це дозволяє досягти стабільної роботи без перегріву.

Чому on-device AI-віртуальний фон швидший?

Завдання — виділити силует людини на кожному кадрі відеопотоку (30 fps), застосувати фон і повернути результат у пайплайн до енкодування. Це означає бюджет ~33 мс на кадр, включаючи захоплення, інференс моделі, постобробку та рендеринг.

Серверний варіант: захоплення → відправка → інференс → відповідь → рендеринг. Навіть при ідеальній мережі roundtrip додає 40–80 мс. На практиці — ривки контуру, «привид» при русі.

На пристрої: захоплення → інференс → рендеринг. Все в одному пайплайні. Вартість інфраструктури при серверному підході висока — потрібні GPU-сервери. On-device підхід повністю усуває ці витрати. Економія на серверних GPU-обчисленнях може сягати $2000 на місяць для додатку з 10 000 активних користувачів. В іншому проекті економія склала $3000 на місяць за рахунок відмови від дорогих GPU-інстансів.

Принцип роботи on-device сегментації

Ми використовуємо нейромережі, оптимізовані для мобільних чипів (Neural Engine, GPU, DSP). Інференс виконується локально, жодні дані не покидають пристрій — це одночасно вирішує питання конфіденційності та затримки.

iOS: MLKit + CoreImage або Vision

На iOS використовуємо Vision фреймворк з моделлю VNGeneratePersonSegmentationRequest. Apple додала її в iOS 15 і новіше — працює на Neural Engine без явного завантаження моделі. Точність хороша для фронтальної камери, але починає давати рваний контур при складних зачісках та прозорих елементах одягу.

// Налаштування сегментації
let request = VNGeneratePersonSegmentationRequest()
request.qualityLevel = .balanced   // .accurate дає кращий контур, але важче
request.outputPixelFormat = kCVPixelFormatType_OneComponent8

// У обробнику кадрів AVFoundation
let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer, options: [:])
try handler.perform([request])

guard let mask = request.results?.first?.pixelBuffer else { return }
// mask — CVPixelBuffer 8-bit, застосовуємо через CIBlendWithMask

CIBlendWithMask з CIContext(options: [.workingColorSpace: NSNull()]) — рендеримо в Metal, уникаючи конвертації кольорового простору. Без цього кожен кадр додає ~5 мс тільки на конвертацію.

Для якіснішої сегментації — конвертуємо TFLite модель DeepLab v3 або MediaPipe SelfieSegmentation в Core ML через coremltools та завантажуємо через MLModel. MediaPipe дає стабільний контур навіть при розмитих краях. Apple Vision VNGeneratePersonSegmentationRequest

Android: MLKit Selfie Segmentation

val segmenter = Segmentation.getClient(
    SelfieSegmenterOptions.Builder()
        .setDetectorMode(SelfieSegmenterOptions.STREAM_MODE)  // оптимізовано для відео
        .enableRawSizeMask()
        .build()
)

// У обробнику CameraX ImageAnalysis
override fun analyze(imageProxy: ImageProxy) {
    val inputImage = InputImage.fromMediaImage(imageProxy.image!!, imageProxy.imageInfo.rotationDegrees)
    segmenter.process(inputImage)
        .addOnSuccessListener { segmentationMask ->
            val mask = segmentationMask.buffer
            // Застосовуємо фон через RenderScript або Vulkan compute shader
            applyBackground(mask, imageProxy)
        }
        .addOnCompleteListener { imageProxy.close() }
}

STREAM_MODE критичний — він тримає внутрішній стейт між кадрами і працює швидше за SINGLE_IMAGE_MODE. На Pixel 6 з Tensor G2 інференс займає 8–12 мс. На бюджетних пристроях (Snapdragon 695) — 20–28 мс. Для постобробки маски — RenderScript (deprecated в API 31+) або Vulkan compute shader через RenderEffect на Android 12+. MLKit Selfie Segmentation

Порівняння моделей сегментації

Порівняння підходів: серверний vs on-device

Застосування фону: три варіанти

Статичне зображення — найпростіший випадок. CIBlendWithMask на iOS, PorterDuff compositing на Android.

Розмиття (blur) — фільтр CIGaussianBlur з radius 12–20 застосовується до оригінального кадру, потім маска вибирає між оригіналом та розмитим. На Android — RenderEffect.createBlurEffect (API 31+) або власний blur через Vulkan.

Відеофон — потрібен декодер, синхронізований з таймінгом відеодзвінка. На iOS — AVPlayerItemVideoOutput + Metal текстура. Важко по пам'яті: буфер відеофону + буфер камери + буфер маски + результат. На iPhone 12 з 4 GB це ок, на iPhone SE 2nd gen (3 GB) потрібен aggressive buffer reuse.

Інтеграція в WebRTC-пайплайн

Більшість мобільних рішень для дзвінків будуються на WebRTC — через LiveKit, Daily.co, Agora або нативний WebRTC. Всі вони надають механізм кастомного VideoSource/VideoProcessor для підміни кадрів до енкодування.

У LiveKit SDK для iOS це VideoProcessor протокол:

class BackgroundReplacementProcessor: VideoProcessor {
    func process(frame: RTCVideoFrame) -> RTCVideoFrame? {
        // Сегментація + застосування фону
        // Повертаємо новий RTCVideoFrame з обробленим буфером
    }
}
room.localParticipant?.videoTracks.first?.processor = BackgroundReplacementProcessor()

Важливо: RTCVideoFrame працює в CVPixelBuffer з форматом kCVPixelFormatType_420YpCbCr8BiPlanarFullRange. Конвертація в RGB для ML-інференсу і назад — це втрати. Якщо модель приймає YUV — залишаємо формат недоторканим.

Критерії вибору моделі сегментації

Вибір моделі залежить від цільових пристроїв та вимог до якості. Для iOS з A12+ підходить Vision — вбудована модель, не потребує додаткових ресурсів. Для Android з Tensor G2 або Snapdragon 8 Gen 1 — MLKit дає кращу якість. На слабких пристроях (Snapdragon 695, A11) використовуємо MediaPipe або зниження fps.

Оптимізація для слабких пристроїв

На пристроях з обмеженими ресурсами ми знижуємо частоту кадрів до 24 fps і використовуємо легкі моделі (MediaPipe). Також застосовуємо динамічне масштабування вхідного кадру: зменшуємо роздільну здатність до 480p перед інференсом, потім upscale маски. Це скорочує час обробки на 30-40% без помітної втрати якості.

Які результати ви отримаєте? (Що входить в роботу)

Після завершення проекту ви отримуєте повністю інтегровану функцію заміни фону, протестовану на 20+ реальних пристроях. До складу deliverables входять:

• Вихідний код модуля сегментації та обробки фону.
• Детальна технічна документація щодо інтеграції та кастомізації.
• Навчання вашої команди роботі з кодом та конфігураціями.
• Місяць підтримки після запуску для виправлення можливих багів.
• Рекомендації щодо оптимізації для нових версій ОС.

Скільки часу займає інтеграція (під ключ)?

1. Аудит поточного WebRTC-стеку та пайплайну кадрів.
2. Вибір моделі сегментації під якість/швидкість (Vision, MLKit, Core ML, MediaPipe).
3. Розробка прототипу з виміром продуктивності на 10+ пристроях.
4. Інтеграція в існуючий WebRTC-пайплайн через VideoProcessor.
5. Оптимізація постобробки маски (antialiasing, feathering).
6. Тестування на граничних умовах (складний фон, швидкі рухи).
7. Документація та навчання команди замовника.

Орієнтири за термінами

Базова реалізація з розмиттям фону (одна платформа) — 2–3 тижні. Повна реалізація з підтримкою статичних зображень та відеофонів, двох платформ, інтеграція в існуючий WebRTC-стек — 5–8 тижнів.

Ми маємо 8+ років досвіду в мобільній розробці, виконали 50+ проектів з відео- та AI-функціями. Гарантуємо стабільну роботу на пристроях старше п'яти років.

Пропонуємо реалізацію під ключ. Пишіть нам для оцінки вашого проекту — отримайте консультацію інженера.

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.