Впровадження розпізнавання жестів через камеру в мобільний додаток

Ми інтегруємо розпізнавання жестів через камеру в мобільні додатки — від фітнес-трекерів до AR-інтерфейсів. В основі лежить MediaPipe Hand Landmarker, який детектує до 2 рук і повертає 21 landmark для кожної. Це відкриває можливості керування без дотику до екрана: перегортання слайдів, розпізнавання статичних та динамічних жестів. Наш досвід — 5+ років на ринку та 30+ реалізованих проєктів з комп'ютерним зором. Оцінимо ваш проєкт безкоштовно — зв'яжіться для консультації. При цьому розпізнавання виконується на клієнті, що знижує затримку та зберігає приватність даних.

Чому розпізнавання жестів на клієнті швидше за хмарні альтернативи?

Хмарні сервіси додають затримку на передачу та обробку, що неприйнятно для real-time UI (потрібно ≤33 мс при 30 FPS). Клієнтські ML-моделі, такі як MediaPipe, працюють локально та економлять до 40% часу на комунікацію. Для фітнес-трекерів це критично, оскільки кожен пропущений кадр знижує точність підрахунку повторень.

Які проблеми вирішуємо?

Латентність. На Pixel 7 (GPU) інференс займає ~12 мс, на iPhone 14 (CPU) — ~18 мс, на Snapdragon 665 — ~45 мс. Для real-time UI з 30 FPS потрібно вкладатися в 33 мс. Ми оптимізуємо: знижуємо частоту до 15 FPS або обмежуємось однією рукою (numHands = 1). MediaPipe Gesture Recognizer у 2-5 разів швидше за ML Kit на старих пристроях.

Handedness. MediaPipe повертає LEFT/RIGHT з точки зору моделі, що дзеркально відносно фронтальної камери. Якщо логіка залежить від конкретної руки, застосовуємо дзеркальну корекцію.

Відстань до камери. Нормалізовані координати не несуть інформації про фізичну відстань — пороги, що працюють на 50 см, будуть іншими на 150 см. Враховуємо це при налаштуванні геометрії.

Які підходи до розпізнавання використовуємо?

Як ми це робимо?

Стек та інструменти — впровадження розпізнавання жестів

• iOS: Swift 5.9, SwiftUI, MediaPipeTasksVision через SPM, actor-клас з @Published.
• Android: Kotlin, Jetpack Compose, com.google.mediapipe:tasks-vision з RunningMode.LIVE_STREAM.
• Бекенд: не потрібен — все на клієнті.

Як реалізувати кастомний жест: покроково

1. Збір референсів (відео жесту під різними кутами).
2. Анотація landmarks через MediaPipe Model Maker.
3. Навчання класифікатора (10-15 хвилин на 1000 семплів).
4. Інтеграція в додаток з debouncing та confidence threshold.

Кейс: керування презентацією жестами

Клієнт попросив реалізувати безконтактне керування слайдами під час стендапу. Використали MediaPipe Gesture Recognizer для статичних жестів (Open_Palm = стоп) та геометричний трекінг зап'ястя для динамічних змахів. Поріг свайпу (delta_x > 0.3 за 333 мс) підібрали на 15 тест-користувачах. Debouncing: новий жест зараховується, якщо минуло >500 мс або змінився тип. Підсумок: точність 98% в реальних умовах.

Які жести розпізнаємо?

MediaPipe Gesture Recognizer з коробки дає 7 жестів: Open_Palm, Closed_Fist, Pointing_Up, Thumb_Up, Thumb_Down, Victory, ILoveYou. Для кастомних жестів (наприклад, «коло» або «пістолет») використовуємо геометрію або донавчаємо класифікатор через MediaPipe Model Maker. Динамічні жести (свайпи, обертання) реалізуємо через трекінг landmark у часі.

Порівняння підходів до кастомних жестів

Як уникнути хибних спрацьовувань?

Ключові прийоми:

• Confidence threshold (зазвичай 0.7).
• Debouncing: жест не зараховується повторно, якщо рука не прибиралася з кадру. Зберігаємо lastGestureTime та lastGestureType.
• Врахування handedness та відстані. Для фронтальної камери застосовуємо дзеркальну корекцію.

Що входить в роботу

• Аналіз вашого сценарію: зйомка референсів, підбір жестів.
• Інтеграція MediaPipe/ML Kit на обраній платформі.
• Розробка кастомних жестів (геометрія або ML).
• Прив'язка жестів до дій з debouncing.
• Тестування на пристроях (5+ моделей).
• Документація та доступ до вихідного коду.
• Навчання вашої команди (2 години).
• Пост-релізна підтримка 2 тижні.

Терміни та вартість

Базова інтеграція — від 1 тижня. Кастомні жести — від 2 тижнів. Вартість розраховується індивідуально — зв'яжіться з нами для оцінки. Всі проєкти ведуться під ключ з гарантією результату. Замовте консультацію, щоб обговорити деталі.

Наші компетенції

Сертифіковані розробники Apple та Google. 5+ років досвіду в mobile та computer vision. 30+ реалізованих проєктів з MediaPipe, ML Kit та ARKit. Використовуємо офіційні MediaPipe та ML Kit з дотриманням усіх гайдлайнів. Це гарантує стабільність та продуктивність.

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.