Користувач дивиться відеоурок, а додаток не бачить його усмішку — емоційна аналітика в edtech втрачає до 40% даних через погане освітлення та часткову оклюзію. Ми вирішили це завдання для клієнта за допомогою гібридного підходу: геометричні дескриптори плюс тимчасова агрегація. Інтеграція розпізнавання емоцій за обличчям у мобільні додатки включає детекцію обличчя, вилучення мімічних ознак та класифікацію за базовими емоціями (happiness, sadness, anger, surprise, fear, disgust, neutral за моделлю Екмана). Наш досвід — понад 5 років і 30+ інтеграцій CV для edtech, ритейлу та реклами.
Як працює розпізнавання емоцій за обличчям у мобільному додатку
На iOS: VNDetectFaceLandmarksRequest та CoreML — реалізація розпізнавання емоцій
VNDetectFaceLandmarksRequest видає 76 landmarks. Цього достатньо для геометричних дескрипторів: відстань куточків губ, ступінь відкриття очей, кут брів. Поверх них навчаємо невелику CoreML-модель (MLP 3–4 шари). Такий підхід стабільніший за пряму CNN при поганому освітленні, оскільки landmarks нормалізовані під положення голови.
На Android: ML Kit Face Detection
setContourDetectionEnabled(true) дає 468 точок — повний контур обличчя. Це надмірно для емоцій, але дозволяє точніше відстежувати мімічні м'язи. Ми використовуємо subset landmarks для прискорення.
Кроссплатформена альтернатива: MediaPipe Face Landmarker
MediaPipe видає 478 landmarks + 52 blendshapes (наприклад, mouthSmileLeft, eyeBlinkRight). Blendshapes — готові семантичні дескриптори, які можна подавати безпосередньо в класифікатор. Латентність на Pixel 7 — ~15 ms. MediaPipe Face Landmarker працює в 2–3 рази швидше за ML Kit у режимі контуру, що критично для анімації реакції.
| Платформа |
Інструмент |
Кількість точок |
Особливості |
| iOS |
VNDetectFaceLandmarksRequest |
76 |
Працює з CoreML, нормалізація пози |
| Android |
ML Kit Face Detection |
468 |
Контур обличчя, простий в інтеграції |
| Кроссплатформа |
MediaPipe Face Landmarker |
478 + 52 blendshapes |
Висока швидкість, готові семантичні ознаки |
Чому on-device моделі точніші в реальних умовах?
Готові моделі (HSEmotion TFLite, MobileNet FER2013) на валідації 7 класів дають 65–72%, у реальності — нижче. Це не баг, а обмеження: «нейтральне» та «задумливе» вираження важко розрізнити. Ми вирішуємо проблему двома способами:
- Усереднення за часове вікно 2–5 секунд. Замість класифікації кожного кадру працюємо з відсотком часу позитивної/нейтральної емоції та піками здивування.
- Фільтрація артефактів. Наприклад, низький confidence детекції обличчя (менше 0.5) відкидається, кадри з частковою оклюзією (рука, окуляри) не беруть участі в агрегації.
Порівняння точності різних підходів:
| Підхід |
Точність (7 класів) |
Латентність |
Вимоги до даних |
| Готова CNN (MobileNet FER2013) |
65–72% |
~5 ms |
Тільки картинка |
| Геометричні дескриптори + MLP |
70–78% на валідації |
~2 ms |
Need landmarks |
| Тимчасова агрегація + фільтрація |
Стабільність у реальних умовах |
Дод. ~0 ms |
Агрегація 2–5 с |
Навіщо потрібна анімація реакції та як її реалізувати?
Якщо додаток реагує на емоцію користувача (маскот в edtech, інтерактивний персонаж), критична latency. Цикл захоплення → інференс → оновлення анімації повинен вкладатися в 100 ms, інакше реакція сприймається як запізніла.
На iOS використовуємо SwiftUI + withAnimation(.spring()) для плавного переходу стану маскота. Інференс на background queue, результат через @Published в @StateObject на main actor. На Android — Animator + MotionLayout для складних переходів.
Кейс: реакція маскота на усмішку дитини
Освітній додаток для дітей. Персонаж танцює, якщо усмішка утримується >1.5 секунди. Використали MediaPipe Face Landmarker + blendshape mouthSmileLeft/Right > 0.6 як тригер. Проблема: дитина сміється з відкритим ротом — mouthOpen збивав фільтр. Додали умову: mouthSmile > 0.6 AND mouthOpen < 0.4 OR (mouthOpen > 0.4 AND jawOpen > 0.3). Хибних спрацювань стало на 40% менше.
Як впровадити розпізнавання емоцій: покрокова інструкція
- Аудит стеку — визначаємо, які технології вже є (камера, ML-фреймворки).
- Вибір підходу — iOS/Android/кроссплатформа, вибір фреймворку та моделі.
- Інтеграція детектора — підключення VNDetectFaceLandmarksRequest, ML Kit або MediaPipe.
- Калібрування класифікатора — налаштування порогів та часового вікна.
- Розробка анімації — зв'язок емоцій з діями персонажа.
- Тестування на пристроях — мінімум 5 моделей, оцінка точності та latency.
- Запуск аналітики — агрегація emotion scores, дашборд залученості.
Що дає аналітика залученості?
Для A/B-тестування контенту агрегуємо emotion scores по сесії. Дані — тільки числові вектори, не фото. Згода користувача — через явний opt-in (емоції відносяться до чутливих даних). Відправляємо в будь-яку аналітичну систему (Firebase, Amplitude, Яндекс.Метрика) через batch-запити раз на 10 секунд, щоб не витрачати трафік. Вартість впровадження аналітики залежить від складності інтеграції.
Технічні деталі фільтрації артефактів
Для покращення якості в реальних умовах ми застосовуємо каскад фільтрів: відкидаємо кадри з confidence < 0.5, видаляємо дублікати за часовою міткою, згладжуємо emotion scores ковзним середнім (вікно 5 кадрів). Це підвищує точність агрегованих метрик на 15–20%.Що входить в роботу
- Аналіз стеку та консультація щодо оптимального підходу — безкоштовно.
- Інтеграція детектора обличчя та класифікатора емоцій під ключ.
- Кастомізація моделі на вашому датасеті (якщо потрібна висока точність під конкретний сценарій).
- Розробка анімації реакції (маскот, інтерфейсні ефекти).
- Налаштування аналітики залученості з дашбордом.
- Тестування на реальних пристроях — мінімум 5 моделей для кожного форм-фактора.
- Документація та доступ до вихідного коду, моделі та конфігурацій.
Терміни та вартість
Базова інтеграція (детектор + класифікатор + анімація) — 1–2 тижні. Якщо потрібна аналітична панель — ще 1 тиждень. Вартість розраховується індивідуально, залежно від стеку та вимог. Отримайте консультацію щодо впровадження розпізнавання емоцій у ваш мобільний додаток — зв'яжіться з нами. Замовте впровадження вже сьогодні, щоб підвищити залученість користувачів.
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.
| Параметр |
CoreML |
TFLite |
| Платформи |
iOS, macOS, watchOS |
Android, iOS, Linux, embedded |
| Апаратне прискорення |
Neural Engine, GPU, CPU |
NNAPI, GPU (OpenCL/OpenGL), CPU |
| Підтримка квантизації |
FP16, INT8 (з coremltools) |
FP16, INT8, dynamic range |
| Кастомні операції |
Через MLCustomLayer (Swift) |
Через делегати (Java/Kotlin) |
| Розмір бандла моделі |
~3–5 МБ (MobileNetV2 quantized) |
~2–4 МБ |
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.
Порівняння LLM моделей для on-device
| Модель |
Параметри |
Квантизація |
Розмір |
Швидкість (iPhone 15 Pro) |
| Phi-3-mini (Microsoft) |
3.8B |
4-bit |
~2.3 ГБ |
15-25 токенів/с |
| Gemma-2B (Google) |
2B |
4-bit |
~1.2 ГБ |
30-40 токенів/с |
| TinyLlama |
1.1B |
4-bit |
~0.7 ГБ |
60+ токенів/с |
Обмеження реальні: моделі більше 4B параметрів на мобільних пристроях все ще повільні. Для складних задач міркування on-device LLM поступається GPT-4o за якістю. Гібридний підхід — on-device для коротких завдань та приватних даних, хмара для складних запитів — часто оптимальний. Оцінимо ваш кейс та запропонуємо баланс продуктивності та приватності — напишіть нам.
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
-
Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
-
Прототипування моделі — в Python, оцінка accuracy на цільових даних.
-
Конвертація та квантизація — під CoreML/TFLite з валідацією.
-
Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
-
Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
-
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.
