diff --git a/.gitignore b/.gitignore
index 7e7cc84..851e5e1 100644
--- a/.gitignore
+++ b/.gitignore
@@ -3,6 +3,7 @@
 ##
 ## Get latest from `dotnet new gitignore`
 
+.models_cache
 .zed
 *.png
 cache
diff --git a/GSS2.Core/Analysis/AmineContent/AnalyzerService.cs b/GSS2.Core/Analysis/AmineContent/AnalyzerService.cs
index f4dc459..8bc658f 100644
--- a/GSS2.Core/Analysis/AmineContent/AnalyzerService.cs
+++ b/GSS2.Core/Analysis/AmineContent/AnalyzerService.cs
@@ -141,69 +141,102 @@ public partial class AnalyzerService
         var sampleRecords = _context.SampleRecords
             .Where(r => r.BrandId == brand.Id);
 
-        _logger.LogInformation("Найдено калибровочных записей проб для марки: {}", sampleRecords.Count());
-        if (sampleRecords.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных записей для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
-        cancellationToken.ThrowIfCancellationRequested();
-
-        if (separator.Features.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных признаков для сепаратора: \"{separator.Type}\"");
-        if (separator.Features.Count() % FEATURES_LENGTH != 0)
-            throw new InvalidDataException($"Неожидаемое количество калибровочных признаков для сепаратора: \"{separator.Type}\"");
-        var separatorDataSet = separator.Features.Chunk(FEATURES_LENGTH)
-            .Select(v => new ClusterizationData
-            {
-                Label = "separator",
-                Features = v.ToArray()
-            })
-            .Shuffle();
-
-        _logger.LogInformation("Загружено векторов для сепаратора: {}", separatorDataSet.Count());
-        if (separatorDataSet.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных данных для сепаратора: \"{separator.Type}\"");
-        cancellationToken.ThrowIfCancellationRequested();
-
-        foreach (var sampleRecord in sampleRecords)
+        var dataSb = new System.Text.StringBuilder();
+        dataSb.AppendLine(brand.Id.ToString());
+        dataSb.AppendLine(brand.EditDateTime.ToString());
+        foreach (var record in sampleRecords.OrderBy(r => r.Id))
         {
-            if (sampleRecord.Features.Count() == 0)
-                _logger.LogError("Не найдено калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
-            if (sampleRecord.Features.Count() % FEATURES_LENGTH != 0)
-                _logger.LogError("Неожидаемое количество калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+            dataSb.AppendLine(record.Id.ToString());
+            dataSb.AppendLine(record.EditDateTime.ToString());
         }
+        dataSb.AppendLine(separator.Id.ToString());
+        dataSb.AppendLine(separator.EditDateTime.ToString());
+        var dataHashCode = Convert.ToHexString(
+            System.Security.Cryptography.MD5.HashData(
+                System.Text.Encoding.UTF8.GetBytes(dataSb.ToString())
+            )
+        );
 
-        var sampleDataSet = sampleRecords
-            .AsEnumerable()
-            .Where(r => r.Features.Count() > 0 && r.Features.Count() % FEATURES_LENGTH == 0)
-            .SelectMany(r => r.Features.Chunk(FEATURES_LENGTH))
-            .Select(f => new ClusterizationData
+        _logger.LogInformation("Хэш калибровочных записей: {}", dataHashCode);
+
+        Directory.CreateDirectory(".models_cache");
+        var cachedModelPath = Path.Combine(".models_cache", dataHashCode) + ".zip";
+
+        if (File.Exists(cachedModelPath))
+        {
+            _logger.LogInformation("Модель найдена к кэше");
+            var model = _ml.Model.Load(cachedModelPath, out _);
+            _clusterizationEngine = _ml.Model.CreatePredictionEngine<ClusterizationData, ClusterizationPrediction>(model);
+        }
+        else
+        {
+            _logger.LogInformation("Найдено калибровочных записей проб для марки: {}", sampleRecords.Count());
+            if (sampleRecords.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных записей для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
+            cancellationToken.ThrowIfCancellationRequested();
+
+            if (separator.Features.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных признаков для сепаратора: \"{separator.Type}\"");
+            if (separator.Features.Count() % FEATURES_LENGTH != 0)
+                throw new InvalidDataException($"Неожидаемое количество калибровочных признаков для сепаратора: \"{separator.Type}\"");
+            var separatorDataSet = separator.Features.Chunk(FEATURES_LENGTH)
+                .Select(v => new ClusterizationData
+                {
+                    Label = "separator",
+                    Features = v.ToArray()
+                })
+                .Shuffle();
+
+            _logger.LogInformation("Загружено векторов для сепаратора: {}", separatorDataSet.Count());
+            if (separatorDataSet.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных данных для сепаратора: \"{separator.Type}\"");
+            cancellationToken.ThrowIfCancellationRequested();
+
+            foreach (var sampleRecord in sampleRecords)
             {
-                Label = "sample",
-                Features = f.ToArray()
-            })
-            .Shuffle();
+                if (sampleRecord.Features.Count() == 0)
+                    _logger.LogError("Не найдено калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+                if (sampleRecord.Features.Count() % FEATURES_LENGTH != 0)
+                    _logger.LogError("Неожидаемое количество калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+            }
 
-        _logger.LogInformation("Загружено векторов для пробы: {}", sampleDataSet.Count());
-        if (separatorDataSet.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных данных для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
-        cancellationToken.ThrowIfCancellationRequested();
+            var sampleDataSet = sampleRecords
+                .AsEnumerable()
+                .Where(r => r.Features.Count() > 0 && r.Features.Count() % FEATURES_LENGTH == 0)
+                .SelectMany(r => r.Features.Chunk(FEATURES_LENGTH))
+                .Select(f => new ClusterizationData
+                {
+                    Label = "sample",
+                    Features = f.ToArray()
+                })
+                .Shuffle();
 
-        var trainDataSet = Enumerable.Concat(separatorDataSet, sampleDataSet);
-        _logger.LogInformation("Загружено векторов для обучения: {}", trainDataSet.Count());
-        var trainData = _ml.Data.LoadFromEnumerable(trainDataSet);
-        cancellationToken.ThrowIfCancellationRequested();
+            _logger.LogInformation("Загружено векторов для пробы: {}", sampleDataSet.Count());
+            if (separatorDataSet.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных данных для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
+            cancellationToken.ThrowIfCancellationRequested();
 
-        _logger.LogInformation("Создание конвейера");
-        var pipeline = _ml.Transforms.Conversion.MapValueToKey("Label")
-            .Append(_ml.MulticlassClassification.Trainers.LbfgsMaximumEntropy())
-            .Append(_ml.Transforms.Conversion.MapKeyToValue("PredictedLabel"));
-        cancellationToken.ThrowIfCancellationRequested();
+            var trainDataSet = Enumerable.Concat(separatorDataSet, sampleDataSet);
+            _logger.LogInformation("Загружено векторов для обучения: {}", trainDataSet.Count());
+            var trainData = _ml.Data.LoadFromEnumerable(trainDataSet);
+            cancellationToken.ThrowIfCancellationRequested();
 
-        _logger.LogInformation("Обучение модели");
-        var model = pipeline.Fit(trainData);
-        cancellationToken.ThrowIfCancellationRequested();
+            _logger.LogInformation("Создание конвейера");
+            var pipeline = _ml.Transforms.Conversion.MapValueToKey("Label")
+                .Append(_ml.MulticlassClassification.Trainers.LbfgsMaximumEntropy())
+                .Append(_ml.Transforms.Conversion.MapKeyToValue("PredictedLabel"));
+            cancellationToken.ThrowIfCancellationRequested();
 
-        _clusterizationEngine = _ml.Model.CreatePredictionEngine<ClusterizationData, ClusterizationPrediction>(model);
-        model.Dispose();
+            _logger.LogInformation("Обучение модели");
+            var model = pipeline.Fit(trainData);
+            cancellationToken.ThrowIfCancellationRequested();
+
+            _ml.Model.Save(model, trainData.Schema, cachedModelPath);
+
+            _clusterizationEngine = _ml.Model.CreatePredictionEngine<ClusterizationData, ClusterizationPrediction>(model);
+
+            model.Dispose();
+        }
     }
     private async Task InitializeMlRegressionEngine(BrandRecord brand, CancellationToken cancellationToken)
     {
@@ -217,79 +250,110 @@ public partial class AnalyzerService
         var sampleRecords = _context.SampleRecords
             .Where(r => r.BrandId == brand.Id);
 
-        _logger.LogInformation("Найдено калибровочных записей проб для марки: {}", sampleRecords.Count());
-        if (sampleRecords.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных записей для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
-        cancellationToken.ThrowIfCancellationRequested();
-
-        foreach (var sampleRecord in sampleRecords)
+        var dataSb = new System.Text.StringBuilder();
+        dataSb.AppendLine(brand.Id.ToString());
+        dataSb.AppendLine(brand.EditDateTime.ToString());
+        foreach (var record in sampleRecords.OrderBy(r => r.Id))
         {
-            if (sampleRecord.Features.Count() == 0)
-                _logger.LogError("Не найдено калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
-            if (sampleRecord.Features.Count() % FEATURES_LENGTH != 0)
-                _logger.LogError("Неожидаемое количество калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+            dataSb.AppendLine(record.Id.ToString());
+            dataSb.AppendLine(record.EditDateTime.ToString());
         }
-
-        _logger.LogInformation("Подготовка данных");
-        var trainDataSet = sampleRecords
-            .AsEnumerable()
-            .Where(r => r.Features.Count() > 0 && r.Features.Count() % FEATURES_LENGTH == 0)
-            .Where(r => r.MeasuredContent >= 0 || r.MixtureActualRate >= 0)
-            .SelectMany(r =>
-                r.Features
-                    .Chunk(FEATURES_LENGTH)
-                    .Select(f =>
-                        new RegressionData
-                        {
-                            Value = (float)(r.MeasuredContent >= 0 ? r.MeasuredContent : r.MixtureActualRate),
-                            Features = f.ToArray()
-                        }
-                )
+        var dataHashCode = Convert.ToHexString(
+            System.Security.Cryptography.MD5.HashData(
+                System.Text.Encoding.UTF8.GetBytes(dataSb.ToString())
             )
-            .Shuffle()
-            .ToList();
+        );
 
-        _logger.LogInformation("Загружено векторов для обучения: {}", trainDataSet.Count());
-        if (trainDataSet.Count() == 0)
-            throw new InvalidDataException($"Не найдено калибровочных данных для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
-        cancellationToken.ThrowIfCancellationRequested();
+        _logger.LogInformation("Хэш калибровочных записей: {}", dataHashCode);
 
-        int rowCount = trainDataSet.Count();
-        double[][] featuresArray = trainDataSet.Select(d => d.Features.Select(f => (double)f).ToArray()).ToArray();
-        Matrix<double> matrix = DenseMatrix.OfRowArrays(featuresArray);
-        for (int i = 0; i < IMAGES_COUNT; i++)
+        Directory.CreateDirectory(".models_cache");
+        var cachedModelPath = Path.Combine(".models_cache", dataHashCode) + ".zip";
+
+        if (File.Exists(cachedModelPath))
         {
-            matrix = matrix.RemoveColumn(i * 3);
-            matrix = matrix.RemoveColumn(i * 3);
-            matrix = matrix.RemoveColumn(i * 3);
+            _logger.LogInformation("Модель найдена к кэше");
+            var model = _ml.Model.Load(cachedModelPath, out _);
+            _regressionEngine = _ml.Model.CreatePredictionEngine<RegressionData, RegressionPrediction>(model);
         }
-        cancellationToken.ThrowIfCancellationRequested();
+        else
+        {
+            _logger.LogInformation("Найдено калибровочных записей проб для марки: {}", sampleRecords.Count());
+            if (sampleRecords.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных записей для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
+            cancellationToken.ThrowIfCancellationRequested();
 
-        Vector<double> meanVector = matrix.ColumnSums() / matrix.RowCount;
-        Matrix<double> covarianceMatrix = MatrixCovariance(matrix, meanVector);
-        Matrix<double> invCovarianceMatrix = covarianceMatrix.Inverse();
-        trainDataSet = trainDataSet
-            .Where((data, index) =>
+            foreach (var sampleRecord in sampleRecords)
             {
-                var row = matrix.Row(index);
-                double distance = CalculateMahalanobis(row, meanVector, invCovarianceMatrix);
+                if (sampleRecord.Features.Count() == 0)
+                    _logger.LogError("Не найдено калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+                if (sampleRecord.Features.Count() % FEATURES_LENGTH != 0)
+                    _logger.LogError("Неожидаемое количество калибровочных признаков для пробы: \"{}\"", sampleRecord.SampleName);
+            }
 
-                return distance <= FILTERING_THRESHOLD;
-            })
-            .ToList();
-        _logger.LogInformation("Векторов для обучения после фильтрации: {}", trainDataSet.Count());
-        var trainData = _ml.Data.LoadFromEnumerable(trainDataSet);
-        cancellationToken.ThrowIfCancellationRequested();
+            _logger.LogInformation("Подготовка данных");
+            var trainDataSet = sampleRecords
+                .AsEnumerable()
+                .Where(r => r.Features.Count() > 0 && r.Features.Count() % FEATURES_LENGTH == 0)
+                .Where(r => r.MeasuredContent >= 0 || r.MixtureActualRate >= 0)
+                .SelectMany(r =>
+                    r.Features
+                        .Chunk(FEATURES_LENGTH)
+                        .Select(f =>
+                            new RegressionData
+                            {
+                                Value = (float)(r.MeasuredContent >= 0 ? r.MeasuredContent : r.MixtureActualRate),
+                                Features = f.ToArray()
+                            }
+                    )
+                )
+                .Shuffle()
+                .ToList();
 
-        _logger.LogInformation("Создание конвейера");
-        var pipeline = _ml.Regression.Trainers.FastTree();
-        cancellationToken.ThrowIfCancellationRequested();
+            _logger.LogInformation("Загружено векторов для обучения: {}", trainDataSet.Count());
 
-        _logger.LogInformation("Обучение модели");
-        var model = pipeline.Fit(trainData);
-        _regressionEngine = _ml.Model.CreatePredictionEngine<RegressionData, RegressionPrediction>(model);
+            if (trainDataSet.Count() == 0)
+                throw new InvalidDataException($"Не найдено калибровочных данных для марки: \"{brand.BrandName} - {brand.MixtureName}\"");
+            cancellationToken.ThrowIfCancellationRequested();
 
-        model.Dispose();
+            int rowCount = trainDataSet.Count();
+            double[][] featuresArray = trainDataSet.Select(d => d.Features.Select(f => (double)f).ToArray()).ToArray();
+            Matrix<double> matrix = DenseMatrix.OfRowArrays(featuresArray);
+            for (int i = 0; i < IMAGES_COUNT; i++)
+            {
+                matrix = matrix.RemoveColumn(i * 3);
+                matrix = matrix.RemoveColumn(i * 3);
+                matrix = matrix.RemoveColumn(i * 3);
+            }
+            cancellationToken.ThrowIfCancellationRequested();
+
+            Vector<double> meanVector = matrix.ColumnSums() / matrix.RowCount;
+            Matrix<double> covarianceMatrix = MatrixCovariance(matrix, meanVector);
+            Matrix<double> invCovarianceMatrix = covarianceMatrix.Inverse();
+            trainDataSet = trainDataSet
+                .Where((data, index) =>
+                {
+                    var row = matrix.Row(index);
+                    double distance = CalculateMahalanobis(row, meanVector, invCovarianceMatrix);
+
+                    return distance <= FILTERING_THRESHOLD;
+                })
+                .ToList();
+            _logger.LogInformation("Векторов для обучения после фильтрации: {}", trainDataSet.Count());
+            var trainData = _ml.Data.LoadFromEnumerable(trainDataSet);
+            cancellationToken.ThrowIfCancellationRequested();
+
+            _logger.LogInformation("Создание конвейера");
+            var pipeline = _ml.Regression.Trainers.FastTree();
+            cancellationToken.ThrowIfCancellationRequested();
+
+            _logger.LogInformation("Обучение модели");
+            var model = pipeline.Fit(trainData);
+            _ml.Model.Save(model, trainData.Schema, cachedModelPath);
+
+            _regressionEngine = _ml.Model.CreatePredictionEngine<RegressionData, RegressionPrediction>(model);
+
+            model.Dispose();
+        }
     }
 
     public async Task<(Mat avgImage, Rect roi, Mat mask, IEnumerable<Point[]> contours, Mat result)?> Analyze(IEnumerable<ImageData> imagesData)