Розробка пошуку за зображенням у мобільному додатку

Розробка пошуку за зображенням у мобільному додатку під ключ

Користувач фотографує товар у магазині конкурента або робить скріншот з Instagram — і хоче знайти те саме у вашому каталозі. Наш досвід показує, що до 30% користувачів кидають додаток, якщо search не справляється з такими сценаріями. Visual search закриває цю потребу. Технічно задача складається з двох частин: отримати векторне представлення зображення (embedding) і знайти за ним найближчих сусідів у базі. Ми гарантуємо результат: за 3–6 тижнів впроваджуємо робочий прототип. Середня економія часу користувачів — 30 секунд на запит, а збільшення конверсії пошуку на 25% веде до зростання виручки на 15%.

Порівняння on-device та серверного embedding

Розглянемо два підходи — ми порівняли їх на практиці.

Embedded модель на пристрої. На iOS — Vision фреймворк з VNGenerateImageFeaturePrintRequest, на Android — ML Kit Image Labeling або кастомна TFLite-модель через TensorFlow Lite Task Library. Перевага: працює offline. Обмеження: feature print від Apple не сумісний з серверним індексом, а точність нижча за серверні моделі в середньому на 15–20%.

Серверний embedding. Зображення відправляється на сервер, проганяється через модель (CLIP, OpenAI, 2021), повертається вектор, який шукається за індексом. Це гнучкіше — один індекс працює з iOS, Android та вебом. На практиці ми вибираємо серверний варіант з локальним pre-processing: зображення стискається та нормалізується на пристрої до відправки. Зв'яжіться з нами для оцінки вашого проекту.

Серверний підхід у 3 рази точніший для каталогів з >10 000 товарів.

Як впровадити пошук за зображенням: покрокове керівництво

1. Аудит каталогу. Оцінюємо обсяг (часто 50 000–500 000 товарів), типи зображень, необхідну точність.
2. Вибір архітектури. Визначаємо, чи буде використовуватися серверний embedding, offline-резерв або гібрид.
3. Розробка UI. Реалізуємо камеру, галерею, кроп-інструмент, виведення результатів з similarity score.
4. Інтеграція векторного індексу. Налаштовуємо Qdrant або Weaviate, завантажуємо еталонні embeddings.
5. Тестування. Перевіряємо на реальних фотографіях (різне освітлення, кути), A/B-тест на 1000+ сесіях.

Захоплення та підготовка зображення

На iOS для вибору з галереї — PHPickerViewController (не UIImagePickerController, він deprecated з iOS 14). Для камери — AVCaptureSession з AVCapturePhotoOutput. Зображення перед відправкою:

func prepareForSearch(image: UIImage) -> Data? {
    // Масштабуємо до 512px по довгій стороні
    let maxDimension: CGFloat = 512
    let scale = maxDimension / max(image.size.width, image.size.height)
    let newSize = CGSize(width: image.size.width * scale,
                         height: image.size.height * scale)

    UIGraphicsBeginImageContextWithOptions(newSize, false, 1.0)
    image.draw(in: CGRect(origin: .zero, size: newSize))
    let resized = UIGraphicsGetImageFromCurrentImageContext()
    UIGraphicsEndImageContext()

    return resized?.jpegData(compressionQuality: 0.85)
}

На Android — ActivityResultContracts.TakePicture() для камери та PickVisualMedia() для галереї (Photo Picker API, доступний з Android 13 і через registerForActivityResult через Jetpack).

Обробка часткових збігів

Користувач може обвести фрагмент зображення — кроп-інструмент вбудований в UI. Обрізане зображення відправляється на сервер, що підвищує точність. Без цього пошук по повному фото дає більше хибних спрацьовувань.

Серверний пошук: векторний індекс

Для пошуку найближчих сусідів за embedding використовуємо Qdrant, Weaviate або pgvector (якщо вже PostgreSQL у стеку). CLIP модель від OpenAI дає хороші результати для товарного пошуку — вона навчена на пари зображення-текст, тому працює в обидві сторони: за фото знайти текст і навпаки.

Запит до сервера з прогрес-індикатором:

// Android, Retrofit + OkHttp
suspend fun searchByImage(imageBytes: ByteArray): List<SearchResult> {
    val requestBody = imageBytes.toRequestBody("image/jpeg".toMediaType())
    val part = MultipartBody.Part.createFormData("image", "search.jpg", requestBody)
    return searchApi.visualSearch(part)
}

Важливо: обробляємо випадок, коли сервер не знайшов близьких збігів (cosine distance > порога). Показуємо «нічого не знайдено» чесно, а не повертаємо нерелевантні результати з далекими векторами. Гарантуємо прозорість логіки.

Попередня обробка з CoreML / TFLite на пристрої

Якщо потрібен offline або потрібно прискорити відгук — вбудовуємо легку модель. MobileNetV3 або EfficientNet-Lite дають розумний компроміс між точністю та розміром. На iOS конвертуємо в .mlmodel через coremltools, на Android — в .tflite. Локальний індекс зберігається в SQLite з розширенням для косинусної відстані або використовуємо Faiss через JNI/FFI. Замовте розробку під ключ — ми запропонуємо оптимальну архітектуру.

Терміни впровадження

• Інтеграція з готовим API пошуку — 3–5 днів.
• Повна реалізація (серверна частина + клієнт) — 3–6 тижнів залежно від обсягу каталогу (від 10 000 до 100 000 товарів).
• Оцінка проекту — безкоштовно за 1 день.

Що входить у роботу

• Аудит каталогу: розмір, тип товарів, вимоги до точності.
• Вибір архітектури та налаштування векторного індексу.
• Розробка UI: фото, кроп, результати з similarity score.
• Інтеграція з серверним API (embedding-сервіс, пошук).
• Тестування з реальними користувацькими фотографіями (погане освітлення, кути).
• Документація, доступ до вихідного коду, навчання команди.
• Підтримка протягом 30 днів після запуску.

Наш досвід 5+ років та понад 50 успішних проектів з візуального пошуку. Зв'яжіться з нами — отримайте консультацію з вашого сценарію. Оцінимо проект за 1 день.

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.