Детекція об'єктів на iOS та Android: YOLO, TFLite, трекинг

Реалізуємо детекцію об'єктів у мобільних додатках — не просто пошук об'єктів, а трекинг між кадрами, проекцію bounding box на прев'ю-шар, обробку перекриттів і підтримку 30 FPS. Режим реального часу на мобільному пристрої — складний компроміс: модель має видавати детекцію за 20–30 мс, щоб не знижувати FPS, але при цьому не перегрівати процесор і не розряджати батарею. Доводиться враховувати версію ОС, доступні делегати (GPU, NNAPI, Core ML) та поріг відбраковки за впевненістю. Ми вирішуємо це завдання: від вибору архітектури (YOLO, SSD, NanoDet) до фінальної обв'язки з трекингом, проекцією та публікацією в сторах. Нижче — конкретні прийоми, які ми застосовуємо в проектах.

Як вибрати модель для мобільної детекції?

Вибір моделі залежить від цільового FPS, підтримуваного обладнання та вимог до точності. Розглянемо три популярних архітектури: MobileNet SSD, YOLOv8n та NanoDet. MobileNet SSD — баланс швидкості та точності, добре оптимізований для TFLite, підтримує квантизацію до int8. YOLOv8n дає кращу якість (mAP 37+) завдяки глибшій архітектурі, але потребує GPU-делегата для комфортної роботи. NanoDet — легка модель для слабких пристроїв без GPU, але точність обмежена.

Датасет COCO (Lin et al.) показує, що YOLOv8n дає на 30% вищий mAP у порівнянні з MobileNet SSD при порівнянній затримці. YOLO залишається стандартом для реального часу. NanoDet, навпаки, програє за точністю, але вдвічі швидший на слабких пристроях.

Чому трекинг критичний для детекції об'єктів?

Детектувати на кожному кадрі дорого. Правильний підхід: детекція раз на N кадрів (зазвичай кожні 5–10), між кадрами — трекинг через SORT або ByteTrack, або вбудований VNDetectRectanglesRequest з ObjectTrackerObservation на iOS. ML Kit Object Detection & Tracking підтримує трекинг з коробки через .enableMultipleObjects() та .enableClassification(). Кожен трекований об'єкт отримує стабільний trackingID — це дозволяє показувати інформацію про об'єкт без мерехтіння при втраті/появі в кадрі.

NMS (Non-Maximum Suppression) — важливий параметр. За замовчуванням iouThreshold = 0.5. Якщо об'єкти в кадрі перекриваються (наприклад, упаковані товари на конвеєрі), поріг потрібно знижувати до 0.3–0.35. Інакше детектор "склеює" сусідні об'єкти в один. Рекомендовані пороги:

Як налаштувати проекцію bounding box під iOS та Android?

Найпоширеніша візуальна помилка — bounding box не збігається з об'єктом на прев'ю. Причина: модель отримує ресайзнуте зображення (наприклад, 320×320), а прев'ю камери — 1920×1080 з AspectFill або AspectFit. Координати потрібно перерахувати з урахуванням масштабу та відступів.

На iOS з AVCaptureVideoPreviewLayer:

let converted = previewLayer.layerRectConverted(fromMetadataOutputRect: normalizedRect)

VNDetectedObjectObservation повертає boundingBox у нормалізованих координатах (0..1, y знизу). Перед проекцією на UIKit-координати потрібно інвертувати вісь Y: CGRect(x: box.minX, y: 1 - box.maxY, width: box.width, height: box.height). Документація Apple AVCaptureVideoPreviewLayer пояснює цей процес.

На Android з CameraX + ImageAnalysis: результати детекції в координатах вхідного зображення, прев'ю — в координатах PreviewView. Використовуємо MappingUtils з ML Kit або обчислюємо трансформацію вручну через матрицю.

Як досягти 30 FPS?

Окрім вибору моделі, важливі квантизація (int8 vs float), вибір делегата (GPU, NNAPI, Core ML) та частота детекцій. На iOS з Core ML використовуємо .computUnit = .gpuAndNeuralEngine. На Android — GPUDelegate з PrecisionLossAllowed. Для слабких пристроїв — NNAPI. Тестуємо на реальних пристроях, вимірюємо FPS та температуру процесора. Гарантуємо стабільні 30 FPS на флагманах та 15–20 FPS на середніх пристроях.

Наш досвід та гарантії

За 5+ років роботи ми реалізували детекцію об'єктів у 50+ проектах — від рітейлу (підрахунок товарів на полиці) до безпеки (детекція людей та транспорту). Наші інженери добре знайомі з вимогами App Store Review Guidelines (Section 4.2, 5.1) та Google Play для додатків з камерою, що спрощує публікацію. Також ми гарантуємо підтримку після інтеграції: відповідаємо на питання, виправляємо баги, допомагаємо з донавчанням моделей.

Що входить в роботу

• Вибір та адаптація детекторної моделі під ваш пристрій (iOS/Android)
• Інтеграція з камерою (CameraX, AVCaptureSession)
• Коректна проекція bounding box на прев'ю
• Налаштування трекингу та NMS
• Тестування на реальних пристроях та оптимізація до 30 FPS
• Підготовка документації та рекомендації щодо публікації в сторах

Процес роботи

1. Аналітика: вивчаємо ваші сценарії та цільові пристрої.
2. Проектування: обираємо архітектуру моделі, делегат та параметри постпроцесингу.
3. Реалізація: інтегруємо модель з камерою, налаштовуємо проекцію та трекинг.
4. Тестування: вимірюємо FPS, точність, енергоспоживання на 5+ пристроях.
5. Деплой: готуємо збірку, документацію та допомагаємо з публікацією в App Store та Google Play.

Терміни та як почати

Інтеграція готової моделі з проекцією та тюнінгом — 1–2 тижні. Донавчання на кастомних класах — ще 1–2 тижні. Оцінимо ваш проект безкоштовно — напишіть нам. Отримайте консультацію з детекції об'єктів у вашому додатку. Зв'яжіться з нами, щоб обговорити ваш сценарій.

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.