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?
| Підхід | Час інференсу | Гнучкість | Коли використовувати |
|---|---|---|---|
| MediaPipe Gesture Recognizer | 5-10 мс (додатково) | 7 базових жестів | Швидкий старт, стандартні жести |
| Геометричний | 0 мс | Висока для статичних жестів | Конкретна форма кисті (наприклад, Open_Palm) |
| ML-класифікатор | 10-20 мс (додатково) | Максимальна | Складні або динамічні жести (змахи) |
Як ми це робимо?
Стек та інструменти — впровадження розпізнавання жестів
- iOS: Swift 5.9, SwiftUI,
MediaPipeTasksVisionчерез SPM, actor-клас з@Published. - Android: Kotlin, Jetpack Compose,
com.google.mediapipe:tasks-visionзRunningMode.LIVE_STREAM. - Бекенд: не потрібен — все на клієнті.
Як реалізувати кастомний жест: покроково
- Збір референсів (відео жесту під різними кутами).
- Анотація landmarks через MediaPipe Model Maker.
- Навчання класифікатора (10-15 хвилин на 1000 семплів).
- 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
| Характеристика | Геометричний | ML-класифікатор |
|---|---|---|
| Час розробки | Від 2 днів | Від 5 днів |
| Точність (тестовий сет) | 85-92% | 95-99% |
| Обчислювальні витрати | 0 мс | 10-20 мс |
Як уникнути хибних спрацьовувань?
Ключові прийоми:
- Confidence threshold (зазвичай 0.7).
- Debouncing: жест не зараховується повторно, якщо рука не прибиралася з кадру. Зберігаємо
lastGestureTimeтаlastGestureType. - 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.