Vision: co to je, framework počítačového vidění a práce na iOS

Co je Vision?

Vision — je framework počítačového vidění na vysoké úrovni, představený Apple na WWDC 2017. Poskytuje vývojářům jednotné rozhraní pro provádění různých úloh analýzy obrázků a videa bez nutnosti ponořit se do matematiky počítačového vidění nebo optimalizace pro konkrétní neuroprocesor. Vision automaticky využívá Apple Neural Engine na zařízeních s čipy A12+.

Na rozdíl od nízkoúrovňových knihoven jako OpenCV, Vision abstrahuje složitost: vývojář vytvoří objekt VNRequest, nakonfiguruje parametry a spustí zpracování přes VNImageRequestHandler. Framework sám rozhodne, na které výpočetní jednotce úlohu provede — CPU, GPU nebo ANE — a vrátí strukturovaný výsledek. Podle Apple (WWDC 2025) se Vision používá ve 40% aplikací App Store pracujících s obrázky.

Hlavní možnosti

Vision zahrnuje API pro detekci obličejů a jejich orientačních bodů (až 68 bodů), rozpoznávání textu (OCR) s podporou 30+ jazyků, skenování QR a EAN čárových kódů, sledování objektů mezi snímky, detekci obdélníků a obrysů, klasifikaci obrázků přes Core ML, hodnocení pohybu a optického toku, a detekci osoby v obraze se segmentací. Každá operace je reprezentována samostatnou podtřídou VNRequest.

Klíčová API Vision

Vision je postaven na architektuře Request → Handler → Results, kde každý požadavek je konkrétní úkol: najdi obličeje, rozpoznej text, sleduj objekt. Podívejme se na nejžádanější API.

VNRequest — základ všech operací

VNRequest — abstraktní základní třída, od které dědí všechny konkrétní požadavky Vision. Každý požadavek obsahuje completionHandler, konfigurační parametry a regionOfInterest pro zpracování části obrázku. Po vytvoření je požadavek předán VNImageRequestHandler (pro statické obrázky) nebo VNSequenceRequestHandler (pro video stream). Výsledky jsou vráceny jako pole pozorování — podtříd VNObservation.

Detekce obličejů a obrysů

VNDetectFaceRectanglesRequest najde všechny obličeje v obrázku a vrátí jejich rámečky. VNDetectFaceLandmarksRequest navíc určuje 68 klíčových orientačních bodů: obrys očí, obočí, nosu, rtů a čelisti. VNDetectFaceCaptureQualityRequest hodnotí kvalitu snímku obličeje — od 0 do 1 — užitečné pro biometrii. Podle Apple dosahuje přesnost detekce obličejů na zařízeních s Neural Engine 99% při frontálním úhlu.

Rozpoznávání textu

VNRecognizeTextRequest — API pro optické rozpoznávání znaků (OCR) na obrázcích. Podporuje tištěný text v latině, cyrilici, čínštině, japonštině, korejštině a dalších jazycích. Výsledek — pole VNRecognizedTextObservation, každé obsahuje textový řetězec, bounding box a úroveň spolehlivosti. K dispozici jsou dva režimy: rychlý (Fast) pro skenování dokumentů a přesný (Accurate) pro složitá písma.

• VNDetectFaceRectanglesRequest — vyhledávání obličejů s vrácením rámečků
• VNDetectFaceLandmarksRequest — 68 klíčových bodů obličeje
• VNRecognizeTextRequest — OCR s podporou 30+ jazyků
• VNDetectBarcodesRequest — skenování QR, EAN, PDF417
• VNCoreMLRequest — spouštění vlastních modelů Core ML

Integrace Vision do iOS

Pro použití Vision stačí importovat framework, vytvořit objekt VNRequest a předat ho VNImageRequestHandler. Podívejme se na příklad rozpoznávání textu na obrázku.

Příklad kódu ve Swift

Kód vytvoří VNRecognizeTextRequest s přesným režimem rozpoznávání, spustí ho na obrázku a zobrazí rozpoznaný text v konzoli. Tento jednoduchý příklad demonstruje minimální integraci Vision do projektu Swift pomocí VNImageRequestHandler v několika řádcích kódu.

import Vision

// 1. Vytvoření požadavku na rozpoznávání textu
let request = VNRecognizeTextRequest { request, error in
    guard let observations = request.results
        as? [VNRecognizedTextObservation]
    else { return }

    for observation in observations {
        let topCandidate = observation
            .topCandidates(1)
            .first
        print("Text: \(topCandidate?.string ?? "")")
    }
}

// 2. Zapnutí přesného režimu
request.recognitionLevel = .accurate
request.usesLanguageCorrection = true

// 3. Spuštění zpracování
let handler = VNImageRequestHandler(
    url: imageURL, options: [:]
)
try? handler.perform([request])

Swift kód konfiguruje VNRecognizeTextRequest s přesnou úrovní rozpoznávání a zapnutou jazykovou korekcí. VNImageRequestHandler načte obrázek z URL a provede požadavek. Výsledky obsahují rozpoznané textové řetězce s bounding boxy a úrovní spolehlivosti pro každý token. Pole VNRecognizedTextObservation lze pohodlně zobrazit na obrazovce.

Pro zpracování videa v reálném čase se používá VNSequenceRequestHandler místo VNImageRequestHandler. Přijímá pole obrázků (snímků) a provádí stejný požadavek sekvenčně, přičemž uchovává stav mezi snímky — to je nezbytné pro sledování objektů. VNSequenceRequestHandler automaticky spravuje paměť: stará pozorování jsou odstraněna, když objekt opustí snímek. Výkon v reálném čase závisí na složitosti požadavku: detekce obličejů pracuje na 60 FPS, rozpoznávání textu na 15–30 FPS na zařízeních s čipem A16.

Vision vs Core Image

Vision a Core Image — dva frameworky Apple pro práci s obrázky, ale řeší zásadně odlišné úkoly. Core Image je framework pro filtrování a transformaci obrázků (aplikace filtrů, korekce barev, rozostření). Vision je framework pro porozumění obsahu obrázku: co je na něm zobrazeno.

Používejte Vision, když chcete porozumět tomu, co je na obrázku: obličeje, text, QR kódy, objekty. Používejte Core Image, když chcete obrázek změnit: aplikovat filtr, upravit barvy, oříznout. Často se tyto dva frameworky kombinují: nejprve Core Image zlepší kvalitu snímku, poté Vision rozpozná text na něm.

V praxi se Vision a Core Image používají společně v aplikacích pro skenování dokumentů. Core Image automaticky zvyšuje kontrast a odstraňuje stíny (CIFilter s CIPhotoEffectNoir) a Vision rozpoznává text na vylepšeném obrázku. Podle Apple (WWDC 2025) se přesnost OCR zvyšuje o 15–20% po předzpracování obrázku přes Core Image ve srovnání se surovým snímkem z kamery.

Další důležitý scénář společného použití — analýza obličeje v reálném čase pro aplikace rozšířené reality. Vision detekuje obličej a určuje 68 orientačních bodů a Core Image aplikuje filtry na detekované oblasti. ARKit používá Vision pro sledování obličeje a Core Image pro vykreslování efektů, což dává celkové zpoždění méně než 16 ms na zařízeních s čipy A15+.

Při vývoji ve SwiftUI pro integraci Vision se používá protokol Representable, který obaluje AVCaptureSession a VNImageRequestHandler do UIViewRepresentable. Kamera se zobrazuje přes PreviewView, každý snímek je předán VisionRequestHandler přes AVCaptureVideoDataOutputSampleBufferDelegate. Tento architektonický přístup zachovává reaktivitu SwiftUI a získává výsledky analýzy Vision jako @Published vlastnosti pro okamžitou aktualizaci rozhraní.

Příklady použití Vision

Vision se používá v širokém spektru iOS aplikací: od skenerů dokumentů po aplikace rozšířené reality. Podívejme se na tři charakteristické scénáře.

Skenování dokumentů

VNDetectDocumentSegmentationRequest (dostupný od iOS 17+) automaticky detekuje hranice dokumentu v obrázku, koriguje perspektivu a vrací narovnaný obrázek. V kombinaci s VNRecognizeTextRequest vzniká plnohodnotný OCR skener schopný rozpoznávat účtenky, vizitky a stránky knih. Podle Apple trvá segmentace dokumentu 30–80 ms na zařízení s čipem A15.

Sledování objektů ve videu

VNTrackObjectRequest sleduje pohyb vybraného objektu mezi snímky video streamu v reálném čase. Vývojář určí bounding box objektu na prvním snímku a Vision automaticky vypočítá jeho novou polohu na následujících snímcích. Sledování se používá v aplikacích pro videoanalytiku, AR hrách a sledovacích systémech. Přesnost sledování na čipech A16 je 95% při rychlosti pohybu objektu do 30 pixelů na snímek.

Detekce obrysů a obdélníků

VNDetectRectanglesRequest najde obdélníkové oblasti v obrázku: obrazovky, listy papíru, cedule, dokumenty. API vrací souřadnice rohů s korekcí perspektivy. Kombinací obdélníků s VNDetectContoursRequest lze extrahovat přesný obrys objektu — užitečné pro aplikace rozšířené reality a grafické editory. VNDetectContoursRequest vrací pole řídicích bodů obrysu, které lze převést na UIBezierPath pro kreslení.