Офлайн AI-моделі на Android: TensorFlow Lite з GPU/NNAPI-прискоренням

Запуск ML-моделі TensorFlow Lite на Android: офлайн AI без інтернету

Ми часто стикаємося з ситуацією: у вас є навчена модель детекції об'єктів на PyTorch, і ви хочете запускати її на смартфоні без інтернету. Ви конвертуєте її в TensorFlow Lite, додаєте в assets — і на тестовому Pixel 6 все літає. Але на Samsung Galaxy A21s (Exynos) застосунок вилітає з OutOfMemoryError, а на Xiaomi Redmi Note 8 (Qualcomm) — працює, але гальмує. Причина — у виборі делегата прискорення та управлінні пам'яттю. TensorFlow Lite — стандарт де-факто для on-device ML, але його інтеграція потребує глибокого розуміння апаратних особливостей. Економія на хмарних обчисленнях сягає 90% — це може становити тисячі доларів на місяць для production-сервісу, але тільки за правильної реалізації. Наша команда розробила рішення для 40+ проєктів, середня економія склала $1500–$3000 на місяць на клієнтських проєктах. Витрати на хмарні обчислення можуть сягати $10 000 на місяць, офлайн-рішення окупається за 2–3 місяці.

TensorFlow Lite official documentation

Як конвертувати модель з мінімальними втратами?

Перше, що потрібно зробити — експортувати модель з PyTorch/ONNX в TensorFlow. Потім використовуємо TFLiteConverter з оптимізаціями. Для INT8 обов'язково калібруємо на репрезентативному датасеті. Приклад:

converter = tf.lite.TFLiteConverter.from_saved_model("model_tf")
converter.optimizations = [tf.lite.Optimize.DEFAULT]  # динамічна квантизація FP16
converter.target_spec.supported_types = [tf.float16]  # для GPU delegate
converter.representative_dataset = representative_dataset  # для INT8 (калібрування)
tflite_model = converter.convert()
with open("model_fp16.tflite", "wb") as f:
    f.write(tflite_model)

Чому вибір делегата критичний для продуктивності?

Ми використовуємо гібридну конфігурацію: GPU з fallback на XNNPACK і NNAPI як останній резерв. Ось як це виглядає в коді:

import org.tensorflow.lite.gpu.GpuDelegate
import org.tensorflow.lite.gpu.CompatibilityList

val compatList = CompatibilityList()
val options = Interpreter.Options().apply {
    if (compatList.isDelegateSupportedOnThisDevice) {
        addDelegate(GpuDelegate(compatList.bestOptionsForThisDevice))
    } else {
        // Fallback: спочатку NNAPI, якщо не спрацює — XNNPACK
        setUseNNAPI(true)
        setUseXNNPACK(true)
    }
    setNumThreads(Runtime.getRuntime().availableProcessors())
}

var interpreter: Interpreter? = null
try {
    interpreter = Interpreter(FileUtil.loadMappedFile(context, "model_fp16.tflite"), options)
    // Тестовий прогін (потрібен для виявлення помилок NNAPI)
    interpreter.run(testInput, testOutput)
} catch (e: Exception) {
    Log.w("ML", "NNAPI failed, fallback to CPU: ${e.message}")
    options.setUseNNAPI(false)
    interpreter = Interpreter(modelBuffer, options)
}

NNAPI на практиці нестабільний: на одних пристроях дає 5× прискорення, на інших — краш. Обов'язково обертаємо запуск в try/catch. Без цього гарантувати стабільність неможливо.

Управління буферами: ByteBuffer vs TensorBuffer

Пряме управління ByteBuffer — швидше, але багатослівно. TensorBuffer з org.tensorflow.lite.support — зручніше і менш схильне до помилок:

import org.tensorflow.lite.support.image.ImageProcessor
import org.tensorflow.lite.support.image.TensorImage
import org.tensorflow.lite.support.common.ops.NormalizeOp
import org.tensorflow.lite.support.image.ops.ResizeOp

val imageProcessor = ImageProcessor.Builder()
    .add(ResizeOp(224, 224, ResizeOp.ResizeMethod.BILINEAR))
    .add(NormalizeOp(127.5f, 127.5f))
    .build()

val tensorImage = TensorImage(DataType.FLOAT32)
tensorImage.load(bitmap)
val processedImage = imageProcessor.process(tensorImage)

val outputBuffer = TensorBuffer.createFixedSize(intArrayOf(1, 1000), DataType.FLOAT32)
interpreter.run(processedImage.buffer, outputBuffer.buffer)

val probabilities = outputBuffer.floatArray
val topIndex = probabilities.indices.maxByOrNull { probabilities[it] } ?: -1

CameraX інтеграція

val imageAnalyzer = ImageAnalysis.Builder()
    .setTargetResolution(Size(640, 480))
    .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
    .build()
    .also {
        it.setAnalyzer(cameraExecutor) { imageProxy ->
            try {
                val bitmap = imageProxy.toBitmap()
                runInference(bitmap)
            } finally {
                imageProxy.close()  // КРИТИЧНО: інакше CameraX зависне
            }
        }
    }

imageProxy.close() в блоці finally — не опціонально. Якщо не закрити ImageProxy, CameraX перестає доставляти нові кадри через кілька секунд.

Чому важлива числова точність після квантизації?

Після конвертації обов'язково перевіряємо точність на тестовому наборі. FP16 зазвичай втрачає <1%, INT8 — 1–3%. Якщо втрати більші — калібрувальний датасет занадто малий або модель чутлива до конкретних шарів. Нормальне максимальне відхилення — 0.01 для FP16 і 0.05 для INT8. Якщо розбіжність вища, повертаємося до етапу конвертації: змінюємо оптимізації або замінюємо чутливі шари.

Таблиця продуктивності на різних чипах (приклад)

Що входить в роботу

• Конвертація моделі з вашого фреймворку (PyTorch, ONNX, SavedModel) з підбором оптимізацій.
• Вибір та налаштування делегата з fallback-логікою.
• Інтеграція з CameraX або іншим джерелом даних.
• Тестування числової точності та профілювання на Android Profiler + TFLite Benchmark Tool.
• Збірка на 10+ фізичних пристроях (різні чипи, версії Android).
• Документація (API опис, архітектура рішення), доступ до репозиторію з кодом, навчання розробника та 2 тижні підтримки.

Типові помилки при інтеграції TFLite

• Забули закрити ImageProxy — потік кадрів зупиняється.
• Не перевірили підтримку делегата на пристрої — вильоти на старих чипах.
• Використовували INT8 без калібрування — падіння точності >10%.
• Завантажували модель в RAM без MappedByteBuffer — OOM на пристроях з 2 ГБ.

Орієнтири за термінами

Базова інтеграція TFLite моделі в Android — 1–2 тижні. З мультиделегатною логікою, CameraX pipeline, тестуванням на парку пристроїв — 3–5 тижнів. Вартість робіт розраховується індивідуально залежно від складності. Отримайте консультацію для вашого завдання — ми розрахуємо терміни та вартість.

Ми — команда з досвідом in-house ML-розробки, сертифіковані інженери Google. За нашими плечима 40+ проєктів, включаючи застосунки з офлайн AI для автомобільної та медичної індустрії. Зв'яжіться з нами для точної оцінки вашого завдання — ми надішлемо план і терміни безкоштовно.

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.