Реалізація розпізнавання зображень у мобільному додатку

Реалізація розпізнавання зображень у мобільному додатку

Ми реалізуємо розпізнавання зображень під ключ: від захоплення з камери до виведення результату на екран. За більш ніж 5 років досвіду ми розібрали всі типові пастки — точність 90% на тестовій вибірці на реальних фото часто падає до 70%. Нижче — як цього уникнути та побудувати пайплайн, який працює в продакшені. Використання готових пайплайнів (Core ML Vision, TFLite Task Library) скорочує час розробки на 40% порівняно з кастомною реалізацією. Ми гарантуємо стабільну роботу на всіх пристроях.

Джерела зображень та їх особливості

Камера через AVCaptureSession (iOS) або CameraX (Android) — найскладніший випадок. Дані надходять як CMSampleBuffer / ImageProxy у форматі YUV_420_888 або BGRA. Моделі очікують RGB float32 або uint8. Конвертація YUV → RGB без нативного коду — джерело затримки до 40 мс. На Android використовуємо ImageAnalysis.Builder().setOutputImageFormat(ImageAnalysis.OUTPUT_IMAGE_FORMAT_RGBA_8888) — це одразу дає потрібний формат без ручної конвертації.

Галерея — простіше, але є пастка з EXIF-орієнтацією. UIImage на iOS коректно враховує орієнтацію при відображенні, але CGImage під капотом може бути повернутий. Якщо передати CGImage напряму в модель — розпізнавання впаде по точності для вертикально знятих фото. Правильний шлях: CIImage(image: uiImage) → CIContext.createCGImage з застосованою трансформацією орієнтації.

На Android BitmapFactory.decodeFile не враховує EXIF. Потрібен ExifInterface з наступним Matrix.postRotate. Інакше модель отримує повернуте зображення, що знижує точність на 25%.

Чому точність падає на реальних даних?

Модель навчена на датасеті з певним розподілом — користувацькі фото завжди містять більше варіацій (освітлення, ракурс, фон). Кейс: додаток для ідентифікації грибів. Модель EfficientNetV2-S в Core ML дала 91% на тестовому сеті, але на фото користувачів — 73%. Причина: датасет — вид зверху, користувачі знімають знизу під кутом. Рішення: додали VNClassifyImageRequest з confidence threshold 0.6, при низькій впевненості пропонуємо перезняти з інструкцією. Точність зросла до 84%.

Як уникнути втрати точності при конвертації форматів?

Головне — узгодити preprocessing з тренувальним пайплайном. Якщо модель навчалась на ImageNet з нормалізацією mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225], то будь-яке відхилення дає падіння точності на 15–30%. Ресайз — строго як у навчанні: якщо використовувався center_crop, не робіть fit з паддінгом. Модель побачить паддінг як частину об'єкта і помилиться.

Який preprocessing потрібен для ML-моделі?

Як ми будуємо пайплайн інференсу

TFLite Task Library прискорює інтеграцію в 2 рази порівняно з ручним пайплайном за рахунок вбудованої попередньої обробки та утиліт завантаження моделі.

Результати асинхронно прилітають в callback — оновлюємо UI на main thread: LiveData на Android, @MainActor на iOS. Інференс займає 30–50 мс.

Що входить в роботу

1. Аудит вимог: джерело, платформа, необхідна точність, латентність.
2. Вибір моделі та фреймворку (Core ML / TFLite / ML Kit).
3. Реалізація preprocessing pipeline з урахуванням формату та орієнтації.
4. Інтеграція інференсу з асинхронною обробкою.
5. Тестування на реальних користувацьких даних — не менше 100 семплів.
6. Налаштування порогів впевненості.
7. Документація та код з коментарями.
8. Передача в CI/CD.

Строки та вартість

Строки: 1–2 тижні залежно від складності моделі та готового preprocessing. Вартість розраховується індивідуально. Ми гарантуємо підтримку після здачі — фікси багів та консультації до 3 місяців безкоштовно.

let model = try VNCoreMLModel(for: EfficientNet().model)
let request = VNCoreMLRequest(model: model) { request, error in
    guard let results = request.results as? [VNClassificationObservation] else { return }
    // handle results
}
let handler = VNImageRequestHandler(cgImage: cgImage, orientation: .up)
try! handler.perform([request])

Зв'яжіться з нами для оцінки вашого проекту — безкоштовно проаналізуємо ваш кейс за 1 день. Отримати консультацію можна через форму на сайті. Замовте інтеграцію розпізнавання зображень у ваш додаток вже сьогодні.

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.