Как мы создали и 8 лет развиваем сервис обработки фотографий, который заменил сотни ретушеров

Этот проект начался с идеи сделать обработку фотографий автомобилей дешевле. Со временем он превратился в систему, которая изменила процесс съёмки, обработки, доставки контента для автодилеров и сильно сократила роль ручного труда. В этом материале рассказываем, как это произошло и какие решения за этим стояли.

О клиенте и задаче

Наш клиент — предприниматель из Берлина Йоханн Хайне — заметил, что у автодилерских центров есть большой спрос на обработку фотографий автомобилей для сайтов и других цифровых площадок. Отсюда общая проблема: в штате или на парт‑тайме нужны профессиональные фотографы и солидный бюджет на них.

У Йоханна уже был проект HolyCow24 — сервис по обработке фотографий для карточек товаров в интернет‑магазинах. Новый цифровой продукт должен был стать бюджетной альтернативой профессиональным ретушёрам.

Так, в 2017 году Йоханн пришёл к нам по рекомендации нашего старого клиента, чтобы разработать несколько связанных сервисов, которые помогут закрывать больше потребностей пользователей. Тогда мы ещё не знали, что останемся на проекте на 8 лет.

В чём суть сервиса

Клиент загружает фотографии → ретушёры из Индии обрабатывают их → QA‑отдел проверяет качество обработки → клиент получает обработанные фотографии.

Сперва нам нужно было разработать хаб для распределённой команды yoozoo — чтобы специалисты могли загружать и сортировать фото, трекать заказы, оставлять обратную связь, хранить версии ретуши и контролировать качество результата. Любая потеря данных грозила репутационными и финансовыми издержками.

Так мы начали работу над экосистемой взаимосвязанных сервисов.

Из каких сервисов состоит экосистема

Сердце системы — Octopus. Octopus — ядро всей системы. Здесь менеджеры создают и настраивают сетапы для клиентов, ретушёры обрабатывают фотографии вручную (сейчас их уже почти заменил AI), а QA‑агенты проверяют качество.

Веб‑приложение для профессиональных фотографов — Orca. Orca — веб‑интерфейс с сетапами. Сервис позволяет загружать фото с выбором настроек для ручной или автоматической обработки. Но сервис не решал главную проблему: дилерам все еще приходилось нанимать фотографов, что бьёт по карману. Поэтому мы сделали Piranha.

Мобильное приложение для создания фото без фотографа — Piranha. Piranha помогает дилерам снимать автомобили самостоятельно — по шаблонам и без профессиональных фотографов. В приложении есть полупрозрачные рамки для правильного ракурса, видеосъёмка, 360‑камера для интерьера, AR‑режим для экстерьера и валидация с помощью AI.

Клиентский дашборд — Eagle. Eagle позволяет клиенту контролировать процесс: собирает метрики из всех сервисов, например, количество обработанных фотографий, скорость обработки и статусы.

Автоматизация обмена файлами — MEG. MEG нужен, чтобы автоматизировать передачу изображений из базы в экосистему yoozoo: так, например, фотографии автодилеров сразу уходят на ретушь, без ручных операций и ошибок.

Интеграция настраивается просто — по API и/или FTP. Изначально сервис назывался Fox, но пришла Mozilla и вежливо попросила поменять название и логотип.

Конструктор шаблонов — Gecko. Gecko позволяет клиентам создавать собственные шаблоны для ретуши: выбирать фон, логотип и ракурс.

Постепенно заменили ретушёров на AI

Построили инфраструктуру для обучения моделей на основе изображений, которые уже обработали ретушёры из Индии. Плюс ретушёры создавали маски и наборы для обучения AI согласно инструкциям.

С 2023 года мы начали постепенно переходить с RemoveBG на Natas, а в 2024 полностью отключили RemoveBG. Теперь экосистема yoozoo не зависит от стороннего сервиса, качество обработки стало лучше, и нет затрат на лицензии.

Natas состоит из нескольких типов моделей:

• экстерьерные модели (перед, зад, бок, три четверти) позволяют точно выравнивать и обрезать автомобиль на фото;
• интерьерные модели: 12 вариантов, включая модели для обрезанных деталей, фар и других элементов;
• дополнительные модели: отдельные алгоритмы для стекол и теней, чтобы итоговый снимок выглядел реалистично;
• распознавание и замена номерных знаков;
• цветокоррекция: контроль экспозиции, настройка баланса белого, удаление рефлексов с фото.

Интегрировали AI‑модели со всеми сервисами экосистемы

На первом этапе — с мобильным приложением Piranha, где пользователи фотографировали автомобили строго по шаблонам. Модель точно знала, какой вид фотографии нужно обработать: перед, бок, зад, три четверти, интерьер. И только обрезала фон и выравнивала объекты.

Расширили компьютерное зрение, чтобы обрабатывать нестандартные фото

Изначально для компьютерного зрения мы использовали PyTorch — удобную, но медленную модель. Ещё один минус: нужно покупать лицензию для коммерческого использования.

Затем перешли на OpenVINO: он быстрее обрабатывает нестандартные фотографии и дешевле в поддержке.

Ускорили обработку фото с помощью AI

Раньше все фотографии обрабатывались последовательно на выделенном сервере: одна партия из 10 снимков занимала до 15 минут, а если объём большой — нужно было ждать часами.

Мы решили эту проблему с помощью AWS Lambda. Сервис позволил перейти на модель pay‑per‑use: код запускается в облаке и параллельно обрабатывает тысячи фотографий одновременно.

Благодаря этому:

• время обработки уменьшилось с десятков минут до 15 секунд на партию из 10 снимков;
• система стала более гибкой и устойчивой к нагрузкам;
• затраты на вычислительные мощности сократились в 3 раза — с 300 $ до 100 $ за аналогичный объём задач.

Допом сделали так, чтоб клиент меньше платил за хранение

Спустя несколько лет работы у клиента накопился огромный объём фотографий — более 100 терабайт данных. Большая часть — это лишние версии фотографий и промежуточные файлы. Мы проанализировали, какие версии нужны, а какие нет, и удалили всё лишнее. Для этого были написаны скрипты, которые автоматически удаляют дубликаты и неиспользуемые файлы.

Также мы пересмотрели логику хранения архивов. Настроили автоматическое правило, которое удаляет старые архивы после исчезновения юридических обязательств по их хранению. В результате объём облака снизился до 50 терабайт, и клиент в разы меньше платит за хранение и поддержку инфраструктуры.

Что проект дал SALT AND PEPPER

Ретейнер — как модель партнёрства. Этот проект стал для нас полигоном и доказательством эффективности ретейнерной модели сотрудничества. С 2018 года мы перешли с почасовой оценки задач на фиксированный ежемесячный абонемент. Клиент получил предсказуемый бюджет и избавился от микроменеджмента, а мы — глубоко погружённую команду, которая воспринимает проект как свой бизнес. Это позволило нам планировать развитие на месяцы вперёд.

Заказчик увёз нашего менеджера в Германию. Высшим проявлением доверия стала история, когда наш project–менеджер, который вёл yoozoo с нашей стороны, перешёл в штат клиента на позицию CTO. Йоханн нуждался в человеке, который понимает продукт изнутри и будет отвечать за всю IT–составляющую его бизнеса. Наш менеджер подошёл на эту роль.

Школа жизни. Проект стал нашей внутренней школой, где выросли и команда, и процессы. Новому разработчику требовалось до полугода, чтобы вникнуть в систему. Это закаляло терпение и учило системному мышлению. На проекте мы опробовали роль тимлида. Под его руководством даже неопытные специалисты раскрывались, работали с legacy‑кодом и сложной архитектурой.

Результаты

В 2022 году нейронка обрабатывала 10% изображений, а в 2025 году этот показатель достиг 85%. Это позволило клиенту ежемесячно экономить более 15 000 евро. Система ежемесячно обрабатывает 450 000 фотографий — около 30 000 автомобилей.

Платформой пользуются 5 500 дилерских центров.

При этом, мы втрое сократили расходы на вычислительные мощности и в два раза уменьшили объёмы хранимых данных — со 100 до 50 терабайт.

За 8 лет мы создали экосистему из семи взаимосвязанных продуктов. Каждый новый сервис закрывал конкретную бизнес‑проблему и увеличивал общую ценность платформы. Скорость обработки выросла в десятки раз: пакет из десяти фотографий теперь обрабатывается за 15 секунд вместо прежних 15 минут.

Планы на развитие проекта

Во‑первых, это экспансия на новые рынки за счёт интеграций с CRM‑системами и отраслевыми площадками.

Во‑вторых, мы хотим улучшить качество AI‑обработки: цветокоррекция, обработка бликов и рефлексов, работа со сложными кадрами и дальнейший переход на более быстрые технологии.

В‑третьих, мы уже перестраиваем технический фундамент — постепенно заменяем Ruby‑ядро на модульную архитектуру с Python, что сделает разработку дешевле. В перспективе это позволит выделить наше AI‑ядро в отдельный коммерческий сервис, который сможет использоваться другими компаниями через API.