Користувач завантажує своє фото в додаток — і AI має накласти одяг так, щоб вона виглядала природньо, з урахуванням пози, пропорцій та освітлення. Це складне завдання комп'ютерного зору, яке вирішується комбінацією сегментації тіла, оцінки пози та синтезу зображення. Ми реалізуємо такі рішення для мобільних додатків вже понад п'ять років, використовуючи стек MediaPipe, HR-VITON та Metal.
Зазвичай проєкт починається з аудиту каталогу одягу та вимог до якості. Якщо потрібна максимальна якість для соцмереж — вибираємо фото-примірку з серверним GAN-інференсом. Якщо потрібна інтерактивність у додатку — розробляємо real-time AR на базі MediaPipe Pose. В обох випадках забезпечуємо дотримання App Store Review Guidelines та захист даних користувачів. Наш досвід — 5+ років у мобільній розробці та комп'ютерному зорі.
В одному з проєктів для fashion-бренду ми впровадили фото-примірку з обробкою на A10 GPU, що дозволило користувачам отримувати результат за 1.5 секунди. Економія на поверненнях склала до $25 000 на місяць при обігу $100 000, а витрати на логістику повернень знизилися на $1.2 на замовлення. Отримайте консультацію, щоб оцінити ефект для вашого бізнесу.
Як працює AI-віртуальна примірка?
Ми підтримуємо два режими: фото-примірка (користувач завантажує фото, результат через кілька секунд) та real-time AR (пряма трансляція з камери з накладанням одягу в реальному часі). Для фото використовуємо важкі GAN-моделі, такі як HR-VITON, для AR — легкий mesh-підхід на базі MediaPipe Pose.
| Характеристика | Фото-примірка | Real-time AR |
|---|---|---|
| Якість | Висока (складки, тіні) | Середня (без складок) |
| Час відгуку | 1-3 сек (сервер) | <33 мс (on-device) |
| Підтримка пристроїв | Будь-які з камерою | iOS 12+, Android 8+ |
| Інфраструктура | Сервер (GPU) | Тільки клієнт |
Технічний стек: від парсингу до синтезу
On-device: MediaPipe Pose для 33 ключових точок, Self-Correction Human Parsing (SCHP) для сегментації частин тіла (конвертована в Core ML/TFLite). На iPhone 13 парсинг займає 300–500 мс на зображення 512×512. Згідно з MediaPipe Pose, точність визначення ключових точок перевищує 95%.
// MediaPipe Pose Landmarker let options = PoseLandmarkerOptions() options.baseOptions.modelAssetPath = Bundle.main.path(forResource: "pose_landmarker_full", ofType: "task")! options.numPoses = 1 options.minPoseDetectionConfidence = 0.5 options.minPosePresenceConfidence = 0.5 options.minTrackingConfidence = 0.5 let poseLandmarker = try PoseLandmarker(options: options) let mpImage = try MPImage(uiImage: sourcePhoto) let result = try poseLandmarker.detect(image: mpImage) // Android: human parsing через TFLite val interpreter = Interpreter( FileUtil.loadMappedFile(context, "schp_parsing.tflite"), Interpreter.Options().apply { addDelegate(GpuDelegate()) } ) val input = Array(1) { Array(512) { Array(512) { FloatArray(3) } } } val output = Array(1) { Array(512) { Array(512) { FloatArray(20) } } } interpreter.run(input, output) Серверний try-on: HR-VITON — state-of-the-art модель з роздільною здатністю до 1024×768. API на FastAPI + PyTorch:
@app.post("/tryon") async def virtual_tryon(person_image: UploadFile, clothing_image: UploadFile): person = load_image(await person_image.read()) clothing = load_image(await clothing_image.read()) parse_map = run_human_parsing(person) keypoints = run_pose_estimation(person) result = hrviton_model(person, clothing, parse_map, keypoints) return StreamingResponse(image_to_bytes(result), media_type="image/jpeg") Час генерації на A10 GPU — 1.5–3 секунди. На CPU — 15–30 секунд.
Чому real-time AR складніший?
Для real-time без важкого GAN ми використовуємо mesh warping: MediaPipe Pose (30+ fps), Delaunay тріангуляція, деформація текстури через Metal. Якість нижча, але працює на iPhone 11 без лагів. Real-time AR у 30 разів швидший за фото-примірку за часом відгуку, хоча програє в деталізації. Порівняння продуктивності:
| Підхід | FPS | Якість | Затримка |
|---|---|---|---|
| Mesh warping (AR) | 30+ | Середня | <33 мс |
| GAN (фото) | <1 | Висока | 1.5-3 сек |
Пайплайн контенту: кожен елемент одягу потребує фото на білому фоні, маску силуету, категорію. Авто-сегментація через RemBG, валідація, завантаження в CDN.
Деталі безпеки даних
Всі персональні зображення обробляються на сервері з шифруванням у спокої та при передачі. On-device парсинг не передає дані в мережу. Відповідність GDPR та вимогам App Store Review Guidelines (Section 5.1).
Процес впровадження: покроково
- Аудит каталогу та вимог — аналіз асортименту, форматів, цільових пристроїв.
- Вибір архітектури — фото-примірка, AR або комбінація.
- Інтеграція on-device ML — встановлення MediaPipe, Core ML/TFLite, портування SCHP.
- Налаштування серверного інференсу — GPU-інференс (A10/A100) або виділений сервер.
- Розробка UI примірки — вибір позиції, захоплення відео, відображення результату.
- Тестування та оптимізація — заміри швидкості, якості, стрес-тест.
- Деплой — публікація в сторах, налаштування CDN для контенту.
Що входить у роботу
- Документація архітектури та API
- Доступ до репозиторію з вихідним кодом
- Інтеграція з вашим каталогом
- Тестовий період та підтримка 3 місяці
- Навчання команди по роботі з пайплайном
Терміни
Фото-примірка з серверним інференсом, одна платформа — 4–6 тижнів. Повна реалізація з AR real-time, обидві платформи, каталоговий пайплайн — 10–16 тижнів. Вартість розраховується індивідуально — напишіть нам для оцінки вашого проєкту. Економія на поверненнях в середньому 15-25% окупає впровадження за 3-6 місяців.
Працюємо з ритейлерами, fashion-брендами та стартапами. Гарантуємо якість на всіх етапах. Зв'яжіться з нами для безкоштовного аудиту вашого каталогу.