Впровадження розпізнавання поз (Pose Estimation) у мобільний додаток

При розробці фітнес-додатку зіткнулися з тим, що сира модель PoseNet давала хибні спрацьовування на кожному другому кадрі — недостатня часова стабільність. Рішенням стало впровадження pose estimation на основі MediaPipe з кастомним згладжуванням OneEuroFilter. Ми інтегруємо в мобільні додатки розпізнавання поз — детекцію ключових точок скелета в реальному часі. Це затребувано у фітнесі (підрахунок повторень, аналіз техніки), медицині (реабілітація, діагностика ходи) та AR. Технічно задача складніша за детекцію об'єктів: потрібна не тільки точність локалізації, але й часова стабільність. Наша команда має 5+ років досвіду в комп'ютерному зорі та реалізувала більше 30 проєктів з pose estimation. Вартість впровадження визначається індивідуально, залежить від кількості вправ та платформ. Економія часу на налагодження порівняно з самостійною розробкою може досягати 40%.

Яку модель обрати: MoveNet, BlazePose або ML Kit?

MoveNet Lightning — найкращий баланс для мобіля: TFLite-оптимізований, доступний через PoseLandmarker. BlazePose дає z-координати для 3D-кутів. ML Kit — простий, але трохи менш точний. У нашому кейсі MoveNet Lightning виявився в 2 рази швидшим за BlazePose на iPhone 11 (35 FPS vs 17 FPS), що критично для real-time фідбеку.

Як правильно підраховувати повторення у фітнес-додатку?

Наївний підхід — стежити за Y-координатою стегна — ламається в реальності. Правильне рішення — обчислювати кут у колінному суглобі через скалярний добуток векторів [HIP → KNEE] і [KNEE → ANKLE]. Присідання = кут нижче 120°, вставання = вище 160°. Скінченний автомат: STANDING → DOWN → STANDING = 1 повтор. Кути з z-координатами стабільніші, якщо камера не строго збоку. Згладжування landmarks — обов'язкове: сирі дані стрибають на 3–5 пікселів між кадрами. Додатково використовуємо фільтр медіанного згладжування для відсікання викидів.

Який метод згладжування кращий?

Для фітнесу достатньо EMA, для реабілітації — OneEuroFilter. У наших проєктах ми кастомізуємо параметри OneEuroFilter під конкретну вправу: для присідань низька частота зрізу (min_cutoff=0.5), для швидких рухів — вище (min_cutoff=1.0).

Інтеграція: iOS та Android — покроково

1. Вибір моделі — на основі потрібної точності та швидкості. MoveNet Lightning для старту.
2. Підготовка стеку: MediaPipe Tasks Vision (SPM або Gradle) версії 0.10.0.
3. Налаштування інференсу: PoseLandmarker з runningMode = .liveStream та PoseLandmarkerOptions.
4. Обробка результатів: нормалізовані точки (0..1) або worldLandmarks (метрові). Для кутів використовуємо worldLandmarks — вони не залежать від crop камери.
5. Відмальовка скелета: на iOS — CAShapeLayer з анімацією, на Android — Canvas.drawLine на SurfaceView або Compose Canvas.
6. Тестування — перевірка FPS та точності на цільових пристроях (iPhone 11, Pixel 6, Galaxy S21).

Типові помилки при впровадженні:

• Малювання скелета в нормалізованих координатах без трансформації в координати прев'ю — забувають aspect ratio та crop. Використовуйте convertNormalizedLandmarksToImageCoordinates.
• Запуск інференсу на main thread — знижує FPS до нуля. Використовуйте фонові черги (userInteractive в iOS, SingleThreadExecutor в Android).
• Відсутність згладжування landmarks — візуальний джитер та неправильний підрахунок повторень. Навіть простий EMA (α=0.7) вирішує проблему.

Що входить в роботу

• Консультація з вибору моделі та оцінка feasibility.
• Проектування архітектури (інференс, UI, зберігання історії).
• Інтеграція pose estimation на iOS та/або Android.
• Реалізація логіки підрахунку повторень або аналізу рухів.
• Налаштування згладжування та оптимізація під конкретний девайс.
• Документація з використання та калібрування.
• Підтримка після запуску (гарантуємо стабільність оновлень).

Строки

Базовий скелет на відеопотоці + одна вправа — 1–2 тижні. Повноцінний фітнес-модуль з кількома вправами, голосовим зворотним зв'язком та історією — 3–4 тижні. Вартість розраховується індивідуально.

Зв'яжіться з нами для оцінки вашого проєкту — ми допоможемо вибрати модель та спроектуємо рішення під ключ. Отримайте консультацію з впровадження pose estimation 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.