iOS·Android 온디바이스 AI 완벽 가이드 (3) - Android 실전: ML Kit, TFLite, Gemini Nano

Android 온디바이스 AI 실전 개요

1편에서 개요와 트렌드, 2편에서 iOS Core ML·Vision을 다뤘습니다. 3편에서는 **Android(AOS)**에서 ML Kit, TensorFlow Lite, Gemini Nano를 어떻게 쓰는지 Kotlin 기준으로 실전 코드와 함께 정리합니다.

---

Android 온디바이스 AI 스택 한눈에

앱 레벨
├── Kotlin / Java
├── ML Kit          → 즉시 사용 API (텍스트, 얼굴, 바코드, 번역 등)
├── TensorFlow Lite → 커스텀 모델 추론 (NNAPI/GPU 가속)
├── AICore (Android 15+) → Gemini Nano 등 시스템 AI
└── AndroidX CameraX → 카메라 + ML 파이프라인

도구
├── Android Studio  → ML Model Binding, TFLite 메타데이터
├── Google AI Studio → Gemini 모델, AICore 배포
└── TensorFlow Lite Converter → Keras/TF 모델 → .tflite 변환

---

1. ML Kit으로 즉시 사용하기

ML Kit은 Google이 제공하는 온디바이스 API로, 별도 서버 없이 텍스트 인식, 얼굴 검출, 바코드 스캔, 번역 등을 바로 쓸 수 있습니다. iOS도 지원하므로 크로스 플랫폼 시 유리합니다.

1.1 Gradle 의존성

// app/build.gradle.kts
dependencies {
    implementation("com.google.mlkit:text-recognition:16.0.0")
    implementation("com.google.mlkit:face-detection:16.1.6")
    implementation("com.google.mlkit:barcode-scanning:17.2.0")
    implementation("com.google.mlkit:translate:17.0.2")
}

1.2 텍스트 인식 (Text Recognition)

import com.google.mlkit.vision.common.InputImage
import com.google.mlkit.vision.text.TextRecognition
import com.google.mlkit.vision.text.latin.TextRecognizerOptions

val recognizer = TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS)
val image = InputImage.fromBitmap(bitmap)

recognizer.process(image)
    .addOnSuccessListener { result ->
        val fullText = result.text
        for (block in result.textBlocks) {
            for (line in block.lines) {
                println(line.text)
            }
        }
    }
    .addOnFailureListener { e -> Log.e("MLKit", "텍스트 인식 실패", e) }

1.3 얼굴 검출 (Face Detection)

import com.google.mlkit.vision.face.FaceDetection
import com.google.mlkit.vision.face.FaceDetectorOptions

val options = FaceDetectorOptions.Builder()
    .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_FAST)
    .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_NONE)
    .build()
val detector = FaceDetection.getClient(options)

val image = InputImage.fromBitmap(bitmap)
detector.process(image)
    .addOnSuccessListener { faces ->
        for (face in faces) {
            val bounds = face.boundingBox
            val smileProb = face.smilingProbability
            // 뷰에 바운딩 박스 그리기 등
        }
    }

1.4 바코드 스캔

import com.google.mlkit.vision.barcode.BarcodeScanning
import com.google.mlkit.vision.barcode.BarcodeScannerOptions

val options = BarcodeScannerOptions.Builder()
    .setBarcodeFormats(Barcode.FORMAT_QR_CODE, Barcode.FORMAT_EAN_13)
    .build()
val scanner = BarcodeScanning.getClient(options)

scanner.process(InputImage.fromBitmap(bitmap))
    .addOnSuccessListener { barcodes ->
        for (barcode in barcodes) {
            barcode.rawValue?.let { value -> println("바코드: $value") }
        }
    }

• ML Kit은 모델이 필요 시 자동 다운로드되며, 설정으로 항상 기기 내 로드만 하도록 할 수 있습니다 (완전 온디바이스).

---

2. TensorFlow Lite로 커스텀 모델 쓰기

자체 학습한 이미지 분류·객체 검출 모델을 앱에 넣으려면 TensorFlow Lite가 표준입니다. NNAPI·GPU 덕분에 기기별로 가속도 받을 수 있습니다.

2.1 Gradle 의존성

implementation("org.tensorflow:tensorflow-lite:2.14.0")
implementation("org.tensorflow:tensorflow-lite-support:0.4.4")
implementation("org.tensorflow:tensorflow-lite-gpu:2.14.0")  // 선택: GPU 가속

2.2 .tflite 모델 배치

• app/src/main/assets/ 아래에 model.tflite (및 필요 시 라벨 파일) 넣기.
• Android Studio ML Model Binding을 쓰면 자동으로 wrapper 클래스가 생성됩니다.

2.3 Kotlin에서 추론 (이미지 분류 예시)

import org.tensorflow.lite.Interpreter
import java.nio.ByteBuffer
import java.nio.ByteOrder

val model = loadModelFile("model.tflite")
val interpreter = Interpreter(model)

val inputSize = 224 * 224 * 3
val inputBuffer = ByteBuffer.allocateDirect(4 * inputSize).order(ByteOrder.nativeOrder())
// bitmap을 224x224로 리사이즈 후 inputBuffer에 채우기 (정규화 등 포함)

val output = Array(1) { FloatArray(numClasses) }
interpreter.run(inputBuffer, output)

val probs = output[0]
val maxIndex = probs.indices.maxByOrNull { probs[it] } ?: 0
println("예측 클래스: $maxIndex, 확률: ${probs[maxIndex]}")

2.4 GPU 위임 (선택)

import org.tensorflow.lite.gpu.GpuDelegate

val gpuDelegate = GpuDelegate()
val options = Interpreter.Options().apply { addDelegate(gpuDelegate) }
val interpreter = Interpreter(model, options)
// 사용 후 gpuDelegate.close()

• 저사양 기기에서는 GPU 위임이 오히려 느릴 수 있으니, NNAPI 또는 CPU와 성능을 비교해 보는 것이 좋습니다.

---

3. Gemini Nano (AICore)로 온디바이스 LLM

Android 15+와 AICore가 탑재된 기기에서는 Gemini Nano를 앱에서 호출할 수 있습니다. 채팅, 요약, 스마트 회신 등에 활용 가능하고, 완전 온디바이스로 동작합니다.

3.1 지원 여부 확인

import androidx.aicore.aicore.AICoreManager

val aicoreManager = AICoreManager.from(context)
if (!aicoreManager.isGeminiNanoAvailable()) {
    // Gemini Nano 미지원 → 클라우드 API 또는 다른 UX 폴백
    return
}

3.2 Gemini Nano 사용 (AICore API)

• AICore SDK는 Google에서 제공하는 라이브러리를 추가한 뒤, GenerativeModel에 온디바이스 설정을 넘겨 사용합니다.
• 정확한 API는 Android 15 AICore 문서와 Google AI Studio 가이드를 참고하는 것이 좋습니다. 일반적인 패턴은 다음과 비슷합니다.

// 개념적 예시 (실제 패키지/클래스명은 AICore 문서 참고)
val model = GenerativeModel(
    modelName = "gemini-nano",
    device = Device.LOCAL  // 온디바이스
)
val response = model.generateContent("요약해줘: ...")

• 주의: 지원 기기만 제한적으로 있으므로, isGeminiNanoAvailable() 체크 후 미지원 시에는 Gemini API(클라우드) 또는 간단한 규칙 기반 로직으로 폴백하는 설계가 필요합니다.

---

4. 실전 팁: 성능과 호환성

항목	권장
ML Kit	공통 기능은 ML Kit으로 먼저 구현 → 개발 속도와 유지보수에 유리
TFLite	입력 크기(예: 224×224)에 맞춰 리사이즈·정규화 후 추론
백그라운드	추론은 Executor/코루틴으로 메인 스레드 밖에서 실행
모델 다운로드	ML Kit은 첫 실행 시 다운로드 가능 → 필요 시 “모델 다운로드 중” UX
Gemini Nano	AICore 가용 여부 확인 후 사용, 미지원 기기는 API 또는 비AI 폴백

---

5. iOS와 비교 정리

기능	iOS	Android
즉시 사용 비전/NLP	Vision, Natural Language	ML Kit
커스텀 모델	Core ML (.mlmodel)	TensorFlow Lite (.tflite)
모델 학습/변환	Create ML, coremltools	TF/Keras → TFLite Converter
온디바이스 LLM	Apple Intelligence 연동 (API 확대 중)	Gemini Nano (AICore)
하드웨어 가속	Neural Engine, Metal	NNAPI, GPU Delegate

• 크로스 플랫폼을 노린다면 ML Kit을 iOS·Android 공통으로 쓰고, 플랫폼별로만 Core ML / TFLite를 추가하는 구성이 많이 쓰입니다.

---

6. 시리즈 마무리

• 1편: 온디바이스 AI 개념, Apple/Google 전략.
• 2편: iOS Core ML, Vision, Create ML, App Intents.
• 3편: Android ML Kit, TensorFlow Lite, Gemini Nano(AICore).

세 편을 따라오시면 iOS와 Android 모두에서 온디바이스 AI를 설계하고 구현하는 흐름을 잡을 수 있습니다. 다음 단계로는 실제 앱에 한 가지 기능만 붙여 보기(예: ML Kit 텍스트 인식 + TFLite/Core ML 커스텀 분류)를 추천합니다.

---

BlueFox Dev - iOS·Android 온디바이스 AI 완벽 가이드 3편