proje 02
RhinoAI
Rinoplasti öncesi ve sonrası yüz oranlarını nesnel biçimde ölçen mobil yapay zekâ uygulaması. Yüz landmark tespiti ve derin öğrenme çıkarımı tamamen cihaz üzerinde, gerçek zamanlı çalışır.
- Kategori
- Mobil
- Rol
- Bireysel geliştirici — mobil ve uç yapay zekâ
- Yıl
- 2026
kullanılan teknolojiler
- Kotlin
- Jetpack Compose
- Python
- TensorFlow Lite
- ML Kit
- ViT
problem
Problem
Rinoplasti öncesi ve sonrası analizde ameliyat planlaması ve asimetri tespiti büyük ölçüde hekimin öznel gözlemine dayanıyor. Hastaya açısal ve milimetrik oranları anlık gösteren hafif bir mobil araç yoktu. Mevcut mobil çözümler ise fotoğrafı sunucuya yüklüyor — bu hem mahremiyet sorunu yaratıyor hem de internet bağlantısına bağımlı kılıyor.
çözüm
Çözüm
Kotlin ve Jetpack Compose üzerine yerel bir Android mimarisi kurdum. ML Kit Face Mesh entegrasyonuyla yüz işaretçileri milisaniyeler içinde haritalanıyor; görüntü analizi ve burun açısı hesaplamaları için TensorFlow Lite modellerini doğrudan cihaz üzerinde çalıştırdım. Ağır sınıflandırma modelleri TFLite formatına dönüştürülüp niceleme ile küçültüldü.
sonuç
Sonuç
Sıfır sunucu maliyetiyle tamamen yerel çalışan, canlı kamera akışında 30+ FPS ile yüz hatlarını ve nazolabial/dorsal açıları analiz eden bir uygulama ortaya çıktı. Açık kaynak olarak yayımlandı.
öne çıkan özellikler
- 01ML Kit Face Mesh ile 468 yüz referans noktasının tespiti ve asimetri hesaplamaları.
- 02Canlı kamera akışında 30+ FPS ile nazolabial ve dorsal açıların anlık analizi.
- 03TFLite formatına optimize edilmiş modellerle cihaz üzerinde düşük gecikmeli çıkarım.
- 04MVVM ve Jetpack Compose ile modern, reaktif Android mimarisi.
- 05Açık kaynak olarak GitHub'da yayımlandı.
neden bu seçimler
Neden cihaz üzerinde çıkarım?
Görüntü akışını bir Python FastAPI arka ucuna göndermek yerine her şeyi cihazda çalıştırmayı seçtim. Sağlıkla ilgili bir uygulamada fotoğrafın hiç cihazdan çıkmaması, sunucu tarafında alınabilecek her önlemden daha güçlü bir mahremiyet güvencesi. Aynı karar sıfır gecikme ve internet bağımsızlığı da getirdi.
Neden TensorFlow Lite?
Vision Transformer tabanlı model doğrudan mobilde çalışamayacak kadar ağırdı. TFLite dönüşümü ve niceleme, model boyutunu ve çıkarım süresini kabul edilebilir seviyeye indirdi.
Neden Jetpack Compose?
Kamera önizlemesi üzerine gerçek zamanlı landmark çizimi gerekiyordu. Compose'un reaktif yapısı, her karede güncellenen bu arayüzü XML tabanlı görünümlere göre çok daha temiz yönetiyor.