ابدأ

تصدير Apple Core ML

تُعدّ Core ML إطار عمل Apple لتشغيل نماذج التعلّم الآلي على iPhone وiPad وMac وApple Watch وApple TV وApple Vision Pro. يؤدي تصدير نموذج Ultralytics YOLO26 باستخدام format="coreml" إلى إنشاء حزمة نموذج yolo26n.mlpackage، يشغّلها Core ML على CPU وGPU وApple Neural Engine، بدقة FP32 أو FP16 أو بأوزان 8 بت.

تنسيق Core AI الجديد من Apple

قدّمت Apple إطار العمل الجديد Core AI والتنسيق .aimodel لجيل iOS 27 وmacOS 27، وتُصدّره Ultralytics باستخدام format="coreai". يظل Core ML التنسيق الافتراضي لمجموعتي تطوير البرامج (SDK) الخاصتين بـ Ultralytics لنظامي iOS وFlutter، اللتين تحمّلان Core AI كخيار إضافي على أجهزة iOS 27، كما يظل التنسيق المستخدم لأنظمة تشغيل Apple الأقدم.

لمحة سريعة#

الخاصيةالتفاصيل
وسيطة formatcoreml (الأسماء البديلة: mlpackage، mlprogram، apple، ios). يصدّر mlmodel تنسيق الشبكة العصبية الأقدم
المخرجاتyolo26n.mlpackage، حزمة نموذج (دليل) بتنسيق ML Program، تُخزَّن فيها أسماء الفئات والمهمة وحجم الصورة كـ بيانات وصفية
يعمل علىعلى iPhone وiPad وMac وApple Watch وApple TV وApple Vision Pro، وعلى CPU وGPU وApple Neural Engine
بيئة التشغيلCore ML، المضمّن في أنظمة تشغيل Apple؛ يحدّد ML Program المُصدَّر مواصفات Core ML رقم 6 (iOS 15 وmacOS 12)، أو المواصفات رقم 7 (iOS 16 وmacOS 13) في حالة INT8. في Python، حزمة coremltools على macOS
الدقةFP32 وFP16 وINT8 (أوزان 8 بت). يبلغ حجم YOLO26n مقدار 9.9 MB بدقة FP32، و5.1 MB بدقة FP16، و2.7 MB بدقة INT8
جهاز التصديرmacOS أو Linux x86-64، مع Python 3.13 أو إصدار أقدم. لا يدعم Windows. لا يتطلب التصدير GPU
التصدير عبر السحابة

يمكن لـ Ultralytics Platform تصدير نموذج مدرَّب إلى Core ML نيابةً عنك، لذا لا تحتاج إلى بيئة تصدير محلية.

البدء السريع#

ثبّت حزمة Ultralytics مع تبعيات تصدير Core ML على macOS أو Linux x86-64:

pip install "ultralytics[export-coreml]"

يثبّت هذا coremltools وscikit-learn وإصدارًا من numpy متوافقًا مع coremltools. عند استخدام pip install ultralytics عادي، يثبّت التصدير الأول coremltools، وإذا اضطر أيضًا إلى استبدال numpy أحدث، يفشل ذلك التصدير؛ أما التصدير التالي فينجح. يتطلب التصدير الإصدارات التالية:

الحزمةالإصدار المطلوب
Python3.13 أو أقدم، وهو أحدث إصدار تتوفر له حزم مسبقة الإنشاء من coremltools 9.0
coremltools9.0 أو أحدث
numpy2.3.5 أو أقدم. يثبّت التصدير الإصدار 2.3.5 بدلًا من إصدار أحدث
torch1.11 أو أحدث
scikit-learnلـ quantize=8 و'w8a16' فقط. تثبّت الإضافة export-coreml الإصدار 1.3.2 أو أحدث، ويثبّته التصدير إذا لم يكن موجودًا

للاطّلاع على طرق التثبيت الأخرى، راجع دليل التثبيت. ثم صدّر نموذجك وحمّل الحزمة المُصدَّرة لإجراء الاستدلال أو التحقق من دقته.

التصدير
from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨تصدير النموذج بتنسيق Core ML⁩
model.export(format="coreml")  # ⁨ينشئ 'yolo26n.mlpackage'⁩

# ⁨أو صدّره بدقة FP16 بدلًا من ذلك، ما يخفض حجمه إلى النصف ويشغّله على Neural Engine⁩
model.export(format="coreml", quantize=16)  # ⁨ينشئ 'yolo26n.mlpackage'⁩

يكتب كلا التصديرين الحزمة yolo26n.mlpackage نفسها، لذا يحلّ التصدير الثاني محل الأول. لا يعمل التنبؤ والتحقق إلا على macOS:

التنبؤ
from ultralytics import YOLO

# ⁨تحميل نموذج Core ML المُصدَّر على Mac⁩
model = YOLO("yolo26n.mlpackage")

# ⁨تنفيذ الاستدلال⁩
results = model("https://ultralytics.com/images/bus.jpg")
تحقّق
from ultralytics import YOLO

# ⁨تحميل نموذج Core ML المُصدَّر على Mac⁩
model = YOLO("yolo26n.mlpackage")

# ⁨# التحقق من الدقة على مجموعة بيانات COCO8⁩
metrics = model.val(data="coco8.yaml")

المهام المدعومة#

يدعم تصدير Core ML مهام Ultralytics السبع كلها باستخدام نماذج YOLOv8 وYOLO11 وYOLO26: الكشف، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB. لا يتوفر التقسيم الدلالي وتقدير العمق إلا مع YOLO26، وهي العائلة الوحيدة التي تتضمن هذه الرؤوس. كما يمكن تصدير نماذج الكشف من YOLOv5u وYOLOv9 وYOLOv10 وYOLO12، إضافة إلى نماذج RT-DETR وYOLO-Worldv2. اختُبر كل منها باستخدام نقطة تحقق واحدة لكل مهمة، مثل yolo11n-seg.pt وrtdetr-l.pt وyolov8s-worldv2.pt.

وسيطات التصدير#

المعاملالنوعالافتراضيالوصف
formatstr'coreml'التنسيق المستهدف للنموذج المُصدَّر، ويحدد مدى توافقه مع بيئات النشر المختلفة.
imgszint أو tuple640حجم صورة إدخال النموذج، ويكون ثابتًا في التصدير الافتراضي: عدد صحيح للصور المربعة أو صفّ (height, width). إذا لم يُحدَّد، يستخدم التصدير الحجم الذي دُرّبت عليه نقطة التحقق. تستخدم نقاط التحقق الرسمية لـ YOLO26 القيمة 640 لنماذج الكشف والتجزئة والوضعية، وللنماذج الدلالية المدربة مسبقًا على ADE20K، والقيمة 1024 لنماذج OBB والنماذج الدلالية المدربة مسبقًا على Cityscapes، والقيمة 768 لتقدير العمق، والقيمة 224 للتصنيف.
quantizeint أو strNoneالدقة: 16 (FP16) أو 8 (أوزان 8 بت مع حساب FP16؛ 'w8a16' هو التصدير نفسه)؛ أما 32/غير المحدد فيعني FP32. عند استخدام nms=True، تكون القيمة غير المحددة FP16. لا يمكن تصدير نقطة تحقق دُرّبت باستخدام quantize=8 إلى Core ML؛ راجع القيود واستكشاف الأخطاء وإصلاحها. يحلّ محل علامتي half/int8 المتوقفتين.
nmsbool، اختياريNoneاختر الإخراج الخام (None، وهو الافتراضي)، أو NMS المضمّن (True، لنماذج الكشف والتجزئة والوضعية مع dynamic=False)، أو الرأس الخالي من NMS (False). راجع تنسيق الإخراج.
conffloatNoneعتبة الثقة المخزّنة في تصدير nms=True. تُستخدم 0.25 إذا لم تُحدَّد.
ioufloat0.5عتبة IoU المخزّنة في تصدير nms=True.
agnostic_nmsboolFalseاختيار غير مرتبط بالفئة: في تصدير nms=True، يحجب الصندوق أيضًا الصناديق المتداخلة من الفئات الأخرى. كما يغيّر اختيار الصفوف في تصدير nms=False.
max_detint300عدد الصفوف في إخراج تصدير nms=False، وفي تصدير nms=True للتجزئة أو الوضعية. لا يخضع تصدير الكشف nms=True لهذا الحد.
dynamicboolFalseيجعل حجم الدفعة وارتفاع الإدخال وعرضه ديناميكية، ويحوّل الإدخال من صورة إلى مصفوفة. لا يتوفر هذا الخيار لنماذج التصنيف وRT-DETR أو مع nms=True. راجع النشر.
batchint1أكبر حجم دفعة لتصدير dynamic=True. يبلغ حجم الدفعة في التصدير الافتراضي 1، وتؤدي القيم الأخرى إلى حدوث خطأ.
devicestrNoneالجهاز المستخدم لتتبّع النموذج أثناء التحويل، ويكون cpu افتراضيًا. كان حجم حزمة تصدير FP32 الذي تتبّع باستخدام mps مساويًا لحجم الحزمة التي تتبّع على CPU، كما أعاد النتائج نفسها.

للاطلاع على الوسيطات المشتركة بين جميع التنسيقات، راجع وثائق وضع التصدير.

حجم الصورة وإعدادات نماذج الأجهزة المحمولة الرسمية

تُصدَّر نماذج الأجهزة المحمولة الرسمية لـ Core ML وLiteRT وQNN بحجم imgsz=640، وبحجم imgsz=224 للتصنيف. تُصدَّر نقاط التحقق الدلالية لـ Cityscapes ونقاط تحقق تقدير العمق وOBB افتراضيًا بحجم أكبر، لذا مرّر imgsz=640 لمطابقة حجمها. تُصدَّر نماذج Core ML الخاصة بـ Ultralytics iOS SDK باستخدام quantize=8 nms=False.

الدقة#

يحدّد quantize طريقة تخزين الأوزان ودقة الحساب في Core ML. لا تتطلب أي من درجات الدقة الثلاث بيانات معايرة. الأحجام تخص نموذج كشف YOLO26n المُصدَّر بحجم imgsz=640:

quantizeالأوزانالحسابالحد الأدنى لإصدار نظام التشغيلحجم YOLO26n
غير محدد أو 32FP32FP32iOS 15، macOS 129.9 MB
16FP16FP16iOS 15، macOS 125.1 MB
8 أو 'w8a16'8 بتFP16iOS 16، macOS 132.7 MB
  • FP32: القيمة الافتراضية عند عدم تعيين nms=True. على Apple M4، أعادت صادرات FP32 للمهام السبع كلها النتائج نفسها باستخدام وحدات الحوسبة CPU_AND_NE التي تستخدمها Ultralytics، كما أعادتها باستخدام CPU_ONLY، ولم تكن أسرع عند استخدامها. صدّر بدقة FP16 أو INT8 لاستخدام Neural Engine. على iPhone 17 Pro، كان نموذج كشف YOLO26n بدقة FP32 أسرع بنسبة لا تتجاوز 5% باستخدام Neural Engine، وفقًا للوسيط المحسوب من ثلاث مرات تشغيل؛ راجع الأداء المقاس.
  • FP16: يخزّن quantize=16 الأوزان ويجري العمليات الحسابية بدقة نصفية. يحتفظ إدخال الصورة ومصفوفات الإخراج بأنواع بيانات تصدير FP32 (float32، أو int32 للتجزئة الدلالية)، لذا يعمل رمز الاستدلال المكتوب للنموذج بدقة FP32 دون تغيير.
  • INT8: quantize=8 وquantize="w8a16" هما التصدير نفسه. يجمع أوزان كل طبقة في 256 قيمة باستخدام k-means، ويخزّن فهرسًا من 8 بت لكل وزن (تكميم لوحي)، ويجري العمليات الحسابية بدقة FP16 مثل تصدير FP16. لا تُحوَّل موترات الأوزان التي تتضمن 512 قيمة أو أقل إلى تمثيل لوحي. هذا ضغط للأوزان، وليس تكميمًا للتنشيطات معايرًا يحدّده quantize=8 للتنسيقات الأخرى، لذا لا يتطلب وسيطة data. عند تثبيت scikit-learn مسبقًا، استغرق تصدير نموذج كشف YOLO26n من 18 إلى 26 ثانية على Apple M4، ومن 23 إلى 24 ثانية على خادم x86-64، بينما استغرق تصدير YOLO26x على ذلك الخادم 104 ثوانٍ.
  • الدقة: راجع جداول Apple M4 للاطلاع على نتائج COCO لكل درجة دقة. تحقّق من النموذج المُصدَّر على بياناتك الخاصة قبل نشره.

تنسيق المخرجات#

ينشئ التصدير حزمة واحدة، وهي دليل يفتحه Xcode وCore ML وcoremltools كنموذج واحد:

ملف في yolo26n.mlpackage/المحتويات
Manifest.jsonقائمة الملفات الموجودة في الحزمة
Data/com.apple.CoreML/model.mlmodelمخطط الشبكة، وأوصاف الإدخال والإخراج، والبيانات الوصفية: أسماء الفئات والمهمة وحجم الصورة وحجم الدفعة والخطوة ووسيطات التصدير، التي تقرؤها Ultralytics عند تحميل النموذج
Data/com.apple.CoreML/weights/weight.binالأوزان

يستقبل النموذج إدخالًا واحدًا باسم image. في التصدير الافتراضي، يكون الإدخال صورة Core ML: صورة RGB بحجم التصدير imgsz، وقيم بكسلات تتراوح من 0 إلى 255. القسمة على 255 جزء من النموذج، لذا لا تُجرِ تحجيمًا للصورة بنفسك، ويمكن لإطار العمل Vision من Apple في التطبيق تغيير حجم إطار الكاميرا ليلائم هذا الإدخال. أما التصدير باستخدام dynamic=True فيستقبل بدلًا من ذلك مصفوفة float32 ذات شكل (batch, 3, height, width)، بنمط RGB ومقيسة إلى المجال 0-1.

ينشئ المحوّل أسماء مصفوفات الإخراج، مثل var_1401، وتتغير هذه الأسماء بين النماذج وإعدادات التصدير، لذا اقرأها من وصف النموذج بدلًا من تثبيتها في الرمز. تحدد الوسيطة nms والمهمة المخرجات. الأشكال أدناه خاصة بنقاط التحقق الرسمية لـ YOLO26n عند حجم التصدير الافتراضي، مع نقطة التحقق yolo26n-sem.pt من Cityscapes للتجزئة الدلالية:

المهمةالقيمة الافتراضية imgszالمخرجات باستخدام nms=Noneالمخرجات باستخدام nms=Falseالمخرجات باستخدام nms=True
Detect640(1, 84, 8400)(1, 300, 6)confidence و(boxes, 80) وcoordinates و(boxes, 4)
Segment640(1, 116, 8400) و(1, 32, 160, 160)(1, 300, 38) و(1, 32, 160, 160)(1, 300, 38) و(1, 32, 160, 160)
دلالي1024(1, 1024, 1024)، فهرس الفئة لكل بكسلمثل nms=Noneمثل nms=None
العمق768(1, 1, 768, 768)، خريطة عمقمثل nms=Noneمثل nms=None
التصنيف224classLabel وclassLabel_probsمثل nms=Noneمثل nms=None
الوضعية640(1, 56, 8400)(1, 300, 57): 6 قيم للصندوق، ثم 17 نقطة مفتاحية × 3(1, 300, 57)
OBB1024(1, 20, 21504)(1, 300, 7): 4 قيم للصندوق، والدرجة، والفئة، والزاويةمثل nms=None
  • الإخراج الخام (nms=None): الشكل (1, values, anchors)، والتنبؤات الخام نفسها في تصدير ONNX الافتراضي: لكل مرساة، مركز الصندوق x ومركزه y وعرضه وارتفاعه بوحدات بكسل الإدخال، ثم درجات الفئات، ثم قيم المهمة (32 معاملًا للقناع، أو 17 × 3 قيمة لنقاط المفتاح، أو زاوية OBB بالراديان). طبّق NMS بنفسك.
  • الإخراج الخالي من NMS (nms=False): عدد max_det (300 افتراضيًا) من صفوف x1, y1, x2, y2, score, class بوحدات بكسل الإدخال، من دون خطوة NMS. تكون صفوف OBB هي center x, center y, width, height, score, class, angle. رشّح الصفوف حسب الدرجة. يتوفر هذا الخيار للنماذج ذات الرؤوس الخالية من NMS، مثل YOLO26 وYOLOv10.
  • NMS مضمّن للكشف (nms=True): الحزمة عبارة عن مسار Core ML يتضمن النموذج ومرحلة NMS من Apple. يعيد confidence، أي صفًا واحدًا من درجات الفئات لكل صندوق مُحتفظ به، وcoordinates، أي مركز الصندوق x ومركزه y وعرضه وارتفاعه لكل صندوق مُحتفظ به نسبةً إلى حجم الصورة (0-1). يتغير عدد الصفوف من صورة إلى أخرى. تُخزَّن القيم conf (الافتراضية 0.25) وiou (الافتراضية 0.5) وagnostic_nms في المسار عند التصدير، وتستبدل المدخلات confidenceThreshold وiouThreshold، اللتان يمكن تركهما دون تحديد، العتبتين لتنبؤ واحد. لا يُطبَّق max_det: فقد أعاد تصدير باستخدام max_det=2 خمسة صناديق لصورة اختبار. إذا لم يكن عدد فئات النموذج من مضاعفات 80، يضيف التصدير أعمدة إضافية إلى confidence حتى يصل إلى المضاعف التالي للعدد 80.
  • NMS مضمّن للتجزئة والوضعية (nms=True): يُنفَّذ NMS داخل مخطط النموذج، الذي يعيد صفوف max_det من x1, y1, x2, y2, score, class، تتبعها معاملات القناع أو نقاط المفتاح. تحصل الصفوف التي تلي آخر كشف على درجة 0، لذا رشّح الصفوف حسب الدرجة. تُثبَّت القيم conf وiou وagnostic_nms وmax_det عند التصدير، وتكون هذه الصادرات دائمًا بدقة FP16 أو INT8.
  • التجزئة: يحتوي الإخراج ثلاثي الأبعاد على التنبؤات، بينما يحتوي الإخراج رباعي الأبعاد على النماذج الأولية للأقنعة.
  • التجزئة الدلالية: يكون الإخراج فهرس الفئة لكل بكسل بصيغة int32، وليس درجة لكل فئة.
  • التصنيف: الحزمة مصنّف Core ML يعيد classLabel، أي اسم الفئة الأعلى ترتيبًا، وclassLabel_probs، أي قاموسًا بأسماء الفئات واحتمالاتها. كما يعيد coremltools الاحتمالات في مصفوفة (1, classes).

يقرأ YOLO("yolo26n.mlpackage") تخطيط البيانات من البيانات الوصفية للنموذج، لذا لا تحتاج إلى هذه التفاصيل إلا عند تشغيل النموذج في رمزك الخاص. تُخزَّن البيانات الوصفية كسلاسل نصية في البيانات الوصفية التي يحددها المستخدم للنموذج. تشمل مفاتيحها names وtask وimgsz وstride وbatch وend2end وargs، وkpt_shape لنماذج الوضعية.

التشغيل باستخدام coremltools#

لتشغيل الحزمة على Mac خارج حزمة Ultralytics، حمّلها باستخدام coremltools، الذي يختار أيضًا وحدات الحوسبة:

# ⁨تصدير النموذج أولًا: yolo export model=yolo26n.pt format=coreml quantize=16 nms=False⁩
import ast

import coremltools as ct
import numpy as np
from PIL import Image

model = ct.models.MLModel("yolo26n.mlpackage", compute_units=ct.ComputeUnit.CPU_AND_NE)

image = Image.fromarray(np.zeros((640, 640, 3), dtype=np.uint8))  # ⁨الصورة التي أُضيفت إليها الحواشي: RGB، 0-255⁩
outputs = model.predict({"image": image})
detections = next(iter(outputs.values()))[0]  # ⁨مصفوفة الإخراج الوحيدة، الصورة الأولى: الشكل (300, 6)⁩
assert detections.shape == (300, 6), "export a detection model at imgsz=640 with nms=False"
detections = detections[detections[:, 4] > 0.25]  # ⁨الإبقاء على الصفوف التي تتجاوز عتبة الثقة⁩

names = ast.literal_eval(model.user_defined_metadata["names"])  # ⁨{0: 'شخص', 1: 'دراجة', ...}⁩

النشر#

على iPhone أو iPad، أضف .mlpackage إلى مشروع Xcode، أو استخدم Ultralytics iOS SDK، الذي يحمّله ويفك ترميز المخرجات نيابةً عنك. على Mac، ثبّت الحزمة باستخدام pip install ultralytics وانسخ إليها .mlpackage: يشغّل YOLO("yolo26n.mlpackage") النموذج باستخدام coremltools، الذي تثبّته Ultralytics عند أول استخدام.

  • وحدات الحوسبة: تحمّل Ultralytics النموذج باستخدام وحدات الحوسبة في Core ML CPU_AND_NE، أي CPU وNeural Engine، وتحمّل نماذج RT-DETR باستخدام ALL. إذا تعذّر تحميل النموذج بهذه الوحدات، فسيُحمَّل باستخدام CPU_ONLY. لا توجد وسيطة لاختيار وحدات حوسبة أخرى؛ حمّل الحزمة باستخدام coremltools لاختيار وحدات أخرى. على Apple M4 مع macOS 27.2، شغّل ALL وCPU_AND_GPU أيضًا نماذج المهام السبع كلها من YOLO26n بدقة FP32 وFP16 وINT8؛ ولم تُختبر إصدارات macOS الأخرى.
  • device: لا تحدد الوسيطة device عتاد Core ML. باستخدام device="mps"، تعالج Ultralytics البيانات مسبقًا ولاحقًا على GPU من Apple، بينما يواصل Core ML استخدام وحدات الحوسبة نفسها. لم يؤدِّ ذلك إلى تسريع الاستدلال على M4: استغرق نموذج YOLO26n بدقة FP16 نحو 8 ms للصورة باستخدام device="mps"، مقابل نحو 6 ms من دونه، لذا اترك device دون تحديد.
  • الدقة وNeural Engine: على Apple M4، استغرقت مرحلة الاستدلال في YOLO() من 18 إلى 20 ms للصورة باستخدام predict لنموذج YOLO26n بدقة FP32 (21.0 ms في التحقق على COCO ضمن Apple M4)، واستغرقت نحو 6 ms لنموذجي FP16 وINT8، وذلك لصادرات nms=None الافتراضية على صورة اختبار واحدة باستخدام macOS 27.2. باستخدام coremltools وحده، استغرق نموذجا FP16 وINT8 نفسيهما نحو 2 ms مع CPU_AND_NE، مقابل 9 إلى 10 ms مع CPU_ONLY.
  • شكل الإدخال الثابت: يعمل التصدير الافتراضي دائمًا بحجم imgsz الخاص بالتصدير، الذي تقرؤه Ultralytics من البيانات الوصفية للنموذج. يتم تجاهل imgsz إذا مُرّر إلى predict أو val. تمرّر Ultralytics كل صورة من الدفعة إلى Core ML كطلب مستقل لصورة واحدة، لذا يعمل أي عدد من الصور، ويحدّد val قيمة batch=1.
  • التصدير الديناميكي (dynamic=True): يحدّد النموذج أحجام دفعات من 1 إلى حجم التصدير batch، وأحجام صور من 32 بكسل إلى ضعف حجم التصدير imgsz، وتمرّر Ultralytics أحجام الصور بمضاعفات خطوة النموذج. تقسّم Ultralytics الدفعات الأكبر إلى أجزاء بحجم التصدير batch. مع الرأس الخالي من NMS، يكون الحد الأدنى للحجم أكبر، إذ يبلغ 128 بكسل لنموذج YOLO26n المُصدَّر بالحجم imgsz=640 باستخدام nms=False. اختُبر هذا الخيار بنموذج كشف عند أحجام 320 و640 و1280 بكسل، وبنموذج تجزئة عند 640 بكسل.

Ultralytics iOS SDK وإضافة Flutter#

إن Ultralytics iOS SDK حزمة Swift تحمّل صادرات Core ML للمهام السبع كلها من YOLO26 وتعيد نتائج مفكوك ترميزها. صدّر باستخدام إعدادات نماذج التطبيق الرسمية:

# INT8 weights and the NMS-free head; use imgsz=224 for classification models
yolo export model=yolo26n.pt format=coreml quantize=8 nms=False imgsz=640

أضف https://github.com/ultralytics/yolo-ios-app.git إلى تطبيقك باستخدام Swift Package Manager، ثم حمّل الحزمة المُصدَّرة:

import UltralyticsYOLO

// Load your exported Core ML model, then run inference on a UIImage
let yolo = YOLO("/path/to/yolo26n.mlpackage", task: .detect) { result in
    if case .success(let model) = result {
        let results = model(uiImage)  // boxes, labels, confidences, timing
    }
}

يشغّل SDK نماذج Core ML عبر VNCoreMLRequest الخاص بـ Vision، الذي يغيّر حجم كل صورة ليلائم إدخال النموذج. لتطبيقات الكاميرا، يشغّل YOLOView الخاص بـ SDK الاستدلال الآني مع طبقات تراكب أصلية، كما تشغّل إضافة Ultralytics YOLO لـ Flutter صادرات Core ML نفسها على iOS، باستخدام قاعدة رموز مشتركة مع Android. يطلب SDK من Core ML استخدام .cpuAndNeuralEngine على iOS 16 والإصدارات الأحدث بدلًا من .all، لأن GPU يكون مشغولًا بالفعل بمعاينة الكاميرا وطبقات التراكب في تطبيق الكاميرا.

أدلة النشر#

القيود واستكشاف الأخطاء وإصلاحها#

  • أول تصدير بعد تثبيت عادي: عندما يتطلب التصدير الأول استبدال numpy (تؤدي الإصدارات الأحدث من 2.3.5 إلى تعطيل التحويل)، تسجّل Ultralytics Restart runtime or rerun command for updates to take effect ويفشل ذلك التصدير مع TypeError: only 0-dimensional arrays can be converted to Python scalars. أعد التصدير في عملية جديدة، ما يعني إعادة تشغيل النواة في دفتر الملاحظات، أو ثبّت "ultralytics[export-coreml]" قبل التصدير الأول كما هو موضح في البدء السريع.
  • نظام التصدير: يعمل التصدير على macOS وLinux x86-64. ولا يُدعم على Windows أو Linux ARM64، مثل Raspberry Pi: تنشر coremltools 9.0 حزمًا مسبقة الإنشاء لـ macOS وLinux x86-64 فقط.
  • إصدار Python: تتوفر حزم مسبقة الإنشاء من coremltools 9.0 لـ Python 3.13 والإصدارات الأقدم. على Python 3.14، لا تثبّت pip install "ultralytics[export-coreml]" أيًا من حزم Core ML، لذا ينشئ التصدير coremltools من المصدر. عندئذٍ يفشل التصدير الأول كما يحدث بعد تثبيت عادي، بينما ينجح التصدير التالي باستخدام RuntimeError: BlobWriter not loaded. أنشئ البيئة باستخدام Python 3.13 أو إصدار أقدم.
  • يتطلب الاستدلال macOS: على Linux، يفشل التنبؤ أو التحقق باستخدام YOLO("yolo26n.mlpackage") مع Model prediction is only supported on macOS version 10.13 or later.. تحقّق من نقطة تحقق PyTorch هناك، أو انسخ الحزمة إلى Mac.
  • إيقاف التثبيت التلقائي: عند استخدام YOLO_AUTOINSTALL=false، يفشل التصدير مع No module named 'coremltools' في بيئة لا تتضمن الحزمة.
  • نقاط التحقق المدرّبة باستخدام quantize=8: تفشل نقطة تحقق ضُبطت ضبطًا دقيقًا باستخدام التدريب الواعي بالتكميم مع format='coreml' cannot export a QAT model: its Q/DQ ranges are only read by the 'onnx' and 'engine' backends. صدّر نقطة التحقق التي بدأت منها الضبط الدقيق باستخدام quantize=8 بدلًا من ذلك، أو صدّر نقطة التحقق المضبوطة بدقة إلى ONNX أو TensorRT.
  • quantize="w8a32": يفشل مع quantize='w8a32' is not supported; format='coreml' supports quantize=16 (FP16), 8 (INT8), 'w8a16' (INT8 weights + INT16 activations), 32 or None (FP32).. في Core ML، يُعد 'w8a16' التصدير نفسه الذي يمثّله 8، مع حساب FP16.
  • NMS المضمّن في المهام الأخرى: يعمل nms=True مع نماذج الكشف والتجزئة والوضعية. بالنسبة إلى نماذج OBB والتصنيف، يسجّل التصدير CoreML 'nms=True' is only supported for detect, segment and pose models. Forcing 'nms=None'.؛ وبالنسبة إلى نماذج التجزئة الدلالية وتقدير العمق، يسجّل 'nms=True' is not valid for semantic models. Forcing 'nms=None'. (أو depth models)، وبالنسبة إلى نماذج RT-DETR يسجّل 'nms=True' is not available for end2end models or non-YOLO heads. Forcing 'nms=None'.. تنتج جميعها إخراج التصدير الافتراضي.
  • دقة NMS المضمّن: يكون تصدير nms=True دون quantize بدقة FP16. ينتج quantize=32 مسار FP32 لنموذج الكشف، بينما يسجّل التصدير لنماذج التجزئة والوضعية CoreML 'nms=True' requires FP16 for segment models. Forcing 'quantize=16'. (أو pose models).
  • NMS المضمّن والتحقق: يزيل تصدير nms=True الصناديق التي تقل عن conf قبل أن يراها val، لذا تكون نتيجته أقل من النموذج نفسه مع NMS خارجي: على COCO val2017، حقق تصدير YOLO26n بدقة FP16 باستخدام nms=True مقدار 33.8 mAPval 50-95 مع conf=0.25 الافتراضي، و39.9 عند تصديره باستخدام conf=0.001، أي أقل بمقدار 1.0 من نتيجة 40.9 لتصدير FP16 الافتراضي. صدّره باستخدام conf=0.001 للتحقق من هذا النموذج، وحدّد عتبة النشر بشكل مستقل.
  • الرأس الخالي من NMS في النماذج الأخرى: يتطلب nms=False نموذجًا ذا رأس خالٍ من NMS، مثل YOLO26 أو YOLOv10. أما النماذج الأخرى، مثل YOLO11، فيصدر التصدير التحذير This model has no one-to-one head; using one-to-many outputs. ويكتب المخرجات الخام (1, 84, 8400).
  • حجم الدفعة: يفشل batch إذا تجاوز حجمه 1 من دون dynamic=True، مع الخطأ batch sizes > 1 are not supported without 'dynamic=True' for CoreML export. Please retry at 'dynamic=True'.
  • الأشكال الديناميكية: عند استخدام dynamic=True دون batch، يسجّل 'dynamic=True' export requires a maximum batch size, e.g. 'batch=16'. ويصدّر نموذجًا بحجم دفعة أقصى يبلغ 1. باستخدام nms=True، يفشل مع 'nms=True' cannot be used together with 'dynamic=True' for CoreML export. Please disable one of them.، ومع نماذج التصنيف وRT-DETR يفشل مع 'dynamic=True' is not supported for CoreML classification or RT-DETR models.. يؤدي استخدام حجم صورة خارج النطاق إلى فشل التنبؤ مع خطأ مثل Size (1312) of dimension (2) is not in allowed range (32..1280).
  • التجزئة الدلالية على Neural Engine: على Apple M4، استغرق نموذج YOLO26n-sem وقتًا أطول باستخدام CPU_AND_NE مقارنةً بـ CPU_ONLY، مع coremltools وحده على صورة اختبار واحدة: من 59 إلى 64 ms مقابل 22 ms لتصدير FP16 بالحجم imgsz=1024، ونحو 15 ms مقابل 9 ms لتصدير INT8 بالحجم imgsz=640. عملت نماذج FP16 للمهام الست الأخرى، ونماذج INT8 لها بالحجم imgsz=640 (224 للتصنيف)، بسرعة أكبر باستخدام CPU_AND_NE، كما كان نموذج التجزئة الدلالية INT8 أسرع باستخدام Neural Engine على iPhone 17 Pro أيضًا. يستخدم YOLO() دائمًا CPU_AND_NE لهذه النماذج، لذا قِس أداء نموذج التجزئة الدلالية باستخدام الإعدادين في رمزك الخاص.
  • .cpuOnly على iOS 27.0.1: على iPhone 17 Pro، تعطّل استدلال .cpuOnly لنماذج YOLO26l وYOLO26x لتقدير العمق والوضعية وOBB داخل نوى CPU في Core ML (EXC_BAD_ACCESS في libBNNS). تعمل هذه النماذج باستخدام .cpuAndNeuralEngine، الذي يطلبه iOS SDK.
  • اسم الحزمة: تكتب كل عملية تصدير لنقطة تحقق واحدة الحزمة yolo26n.mlpackage نفسها، أيًا كانت قيمة quantize أو imgsz أو nms أو dynamic، لذا يحلّ التصدير الأحدث محل السابق. غيّر اسم الحزمة للاحتفاظ بكليهما، مع الإبقاء على اللاحقة .mlpackage، مثل yolo26n_fp16.mlpackage، لأن Ultralytics تتعرّف على التنسيق من خلالها. تؤدي الحزمة التي لا تتضمن اللاحقة إلى الخطأ is not a supported model format.
  • تحذير إصدار PyTorch: عند استخدام إصدار حديث من PyTorch، يسجّل coremltools الرسالة Torch version 2.15.0 has not been tested with coremltools. You may run into unexpected errors. عند تحميله، كما يسجّل scikit-learn الحديث الرسالة scikit-learn version 1.9.1 is not supported.. أُجريت عمليات التصدير وقياسات Mac الواردة في هذه الصفحة باستخدام هذه الإصدارات.
  • ملفات .mlmodel القديمة: يصدّر format="mlmodel" تنسيق الشبكة العصبية الأقدم من Core ML في ملف yolo26n.mlmodel واحد للتطبيقات التي لا تستطيع تحميل ML Program. يطبّق quantize=8 و'w8a16' هناك تكميمًا خطيًا للأوزان إلى 8 بت. استخدم .mlpackage الافتراضي للمشاريع الجديدة.

للاطلاع على الأخطاء الأخرى، راجع دليل المشكلات الشائعة.

الأداء المقاس#

قيس الأداء في الجداول أدناه على iPhone 17 Pro وMac مزوّد بشريحة Apple M4. تعرض صفحة نموذج YOLO26 دقة نقاط تحقق PyTorch لكل مهمة.

iPhone 17 Pro#

الأجهزة: iPhone 17 Pro مع iOS 26.6. يحتوي A19 Pro على CPU ذي 6 أنوية (نواتا أداء و4 أنوية كفاءة)، وGPU ذي 6 أنوية، ومحرك عصبي ذي 16 نواة.

يعرض الجدول الأول زمن استجابة صورة واحدة للنموذج الرسمي INT8 لكل مهمة، أي أصول v8.3.0 الخاصة بـ حزمة تطوير iOS من Ultralytics، التي صُدّرت باستخدام nms=False. تعرض كل خلية الزمن الإجمالي بالمللي ثانية، وأسفله تقسيم الزمن إلى المعالجة المسبقة / الاستدلال / المعالجة اللاحقة؛ ووحدة الحوسبة الأسرع مميزة بالخط العريض:

النموذجالمهمةالحجم
(بكسل)
CPU
Core ML .cpuOnly
(مللي ثانية)
CPU + المحرك العصبي
Core ML .cpuAndNeuralEngine
(مللي ثانية)
YOLO26nDetect6409.7
0.0 / 9.7 / 0.0
4.7
0.0 / 4.7 / 0.0
YOLO26n-segSegment64012.8
0.0 / 12.2 / 0.6
5.8
0.0 / 5.0 / 0.7
YOLO26n-semدلالي6409.3
0.0 / 8.9 / 0.5
5.3
0.0 / 4.8 / 0.5
YOLO26n-depthالعمق64025.8
0.0 / 24.8 / 1.0
8.0
0.0 / 6.9 / 1.1
YOLO26n-clsالتصنيف2242.1
0.0 / 2.0 / 0.0
1.8
0.0 / 1.8 / 0.0
YOLO26n-poseالوضعية64011.9
0.0 / 11.9 / 0.0
5.4
0.0 / 5.4 / 0.0
YOLO26n-obbOBB64010.6
0.0 / 10.6 / 0.0
4.9
0.0 / 4.9 / 0.0

القياس نفسه لنماذج الكشف الخمسة، مع الزمن الذي تستغرقه حزمة SDK لتحميل كل نموذج:

النموذجCPU
.cpuOnly
(مللي ثانية)
CPU + المحرك العصبي
.cpuAndNeuralEngine
(مللي ثانية)
تحميل النموذج
.cpuAndNeuralEngine
(ثانية)
YOLO26n9.24.50.9
YOLO26s19.510.51.3
YOLO26m46.711.81.8
YOLO26l60.112.02.4
YOLO26x125.920.53.3

أداء الكشف لـ YOLO26n بدقاته الثلاث وبإعدادَي nms، والمصدّر باستخدام ultralytics 8.4.215 في imgsz=640، مع عرض الزمن الإجمالي بالمللي ثانية:

الدقةnms=None، CPUnms=None، CPU + المحرك العصبيnms=False، CPUnms=False، CPU + المحرك العصبي
FP3215.514.714.514.4
FP169.24.99.25.0
INT89.24.29.15.0
  • المنهجية: متوسط 15 تنبؤًا بعد 3 تنبؤات إحماء على bus.jpg، باستخدام حزمة Swift SDK 8.9.23 في إصدار مبني للنشر. .cpuOnly و.cpuAndNeuralEngine هما وحدتا الحوسبة في Core ML اللتان تطلبهما حزمة SDK، بينما يقرر Core ML موضع تشغيل كل طبقة. قيس كل جدول في ثلاث جولات منفصلة ويعرض الوسيط. اتفقت نتائج الجولات الثلاث ضمن هامش 15%، باستثناء YOLO26n مع .cpuAndNeuralEngine، إذ استغرق 2.6 إلى 4.8 مللي ثانية في جدول الأحجام و3.8 إلى 4.8 مللي ثانية في تصدير INT8 nms=None. يستخدم جدولا المهام والأحجام أصول v8.3.0 الرسمية، بينما يستخدم جدول الدقة عمليات تصدير أُجريت باستخدام ultralytics 8.4.215؛ لذلك تختلف قيم YOLO26n فيهما، بما يصل إلى 0.5 مللي ثانية مع المحرك العصبي و0.6 مللي ثانية على CPU.
  • المعالجة المسبقة: يغيّر Vision حجم الصورة داخل طلب الاستدلال، لذا تُسجّل المعالجة المسبقة بقيمة 0 وتُحتسب كلفتها ضمن الاستدلال.
  • FP32: وفقًا لهذه القيم الوسيطة، كان تصدير FP32 أسرع بنسبة لا تتجاوز 5% باستخدام .cpuAndNeuralEngine مقارنةً بـ .cpuOnly، بينما كان FP16 وINT8 أسرع بنحو الضعف. صدّر بصيغة FP16 أو INT8 للاستفادة من المحرك العصبي.
  • nms: في كشف YOLO26n، استغرق كل من رأس النموذج الخالي من NMS (nms=False) والمخرجات الخام مع NMS في حزمة SDK (nms=None) من 4 إلى 5 مللي ثانية باستخدام المحرك العصبي بدقتَي FP16 وINT8.
  • تطبيقات الكاميرا: هذه أزمنة استجابة لصورة واحدة. يضيف تطبيق الكاميرا الآني زمن الالتقاط والعرض؛ راجع ملاحظات أداء حزمة تطوير iOS.
  • قارن نتائج CPU/GPU على Android في تكامل LiteRT، ونتائج MediaTek Dimensity، ونتائج NPU على Snapdragon في تكامل Qualcomm QNN.

Apple M4#

تقارن الجداول أدناه بين PyTorch ونماذج Core ML بدقات FP32 وFP16 وINT8 لكل نماذج كشف YOLO26 على Apple M4 (4 أنوية أداء و6 أنوية كفاءة) مع macOS 27.2، بعد التحقق باستخدام YOLO() على COCO val2017. عمل PyTorch على CPU باستخدام 8 خيوط وbatch=1 وrect=False، بحيث يتلقى الإدخال نفسه بحجم 640x640 الذي تتلقاه نماذج Core ML، والتي عملت بوحدات الحوسبة الافتراضية من Ultralytics.

بالمللي ثانية لكل صورة؛ الأقل أفضل. التنسيق الأسرع لكل نموذج مكتوب بالخط العريض.

النموذجimgszPyTorchCore ML FP32Core ML FP16Core ML INT8
YOLO26n64025.621.06.06.0
YOLO26s64060.050.07.97.6
YOLO26m640137.2127.614.311.3
YOLO26l640191.2187.717.213.5
YOLO26x640341.1334.228.624.3

باستخدام رأس النموذج الخالي من NMS (nms=False)، حقق YOLO26n قيمة 40.3 mAPval 50-95 في PyTorch وFP32، و40.2 في FP16، و40.1 في INT8.

زمن استجابة YOLO26n مع كل وحدة حوسبة في Core ML، مقاسًا باستخدام coremltools وحده باعتباره وسيط 20 تنبؤًا لصورة واحدة، بالمللي ثانية:

الدقةCPU_ONLYCPU_AND_NEALLCPU_AND_GPU
FP3213.713.68.38.0
FP169.61.82.07.7
INT89.41.81.88.1
  • عمل FP16 وINT8 أسرع من FP32 بمقدار 3.5 إلى 14 مرة عبر YOLO()، مع دقة لا تقل عن دقة FP32 بأكثر من 0.1 mAP في FP16 و0.2 في INT8. كان INT8 بسرعة FP16 نفسها في YOLO26n، وأسرع بما يصل إلى 1.3 مرة في النماذج الأكبر.
  • FP32 أعطى المخرجات نفسها باستخدام CPU_AND_NE كما أعطاها باستخدام CPU_ONLY. وحدات GPU وحدها هي التي جعلته أسرع.
  • INT8 جعل حجم الحزمة أصغر من FP32 بمقدار 3.7 إلى 4.0 مرات.

قيس ذلك باستخدام ultralytics 8.4.215 وcoremltools 9.0 وPyTorch 2.15.0 في batch=1 بتاريخ 17 نوفمبر 2026. زمن الاستجابة هو مرحلة الاستدلال التي تعرضها val، ولا يشمل المعالجة المسبقة أو اللاحقة. اختلفت جولة ثانية للحالات الثلاث الخاصة بـ YOLO26n في Core ML في اليوم نفسه بما يصل إلى 2.3 مللي ثانية، إذ بلغت 21.0 مقابل 18.8 مللي ثانية لـ FP32.

نبذة عن Core ML#

Core ML مدمج في iOS وiPadOS وmacOS وwatchOS وtvOS وvisionOS. ويحمّل النماذج بصيغة ML Program، وهي الصيغة التي يكتب بها هذا التصدير .mlpackage، ويشغّل كل طبقة على CPU أو GPU أو Apple Neural Engine، أي NPU في شرائح Apple، وبذلك يعمل الاستدلال دون اتصال وتبقى البيانات على الجهاز. للاطلاع على المرجع الكامل، راجع وثائق Core ML.

Apple Core ML deployment pipeline



شاهد: كيفية تصدير Ultralytics YOLO26 إلى CoreML مع تكميم INT8 | النشر على Apple | iOS/MacOS 🍎

الأسئلة الشائعة#

  • يعمل كلاهما على المحرك العصبي وينفّذان العمليات بدقة FP16، لذا يتوقف الاختيار على الحجم. يقلّص FP16 (quantize=16) حجم الحزمة إلى النصف: 5.1 MB مقابل 9.9 MB لـ YOLO26n؛ أما INT8 (quantize=8) فيخزّن الأوزان بثمانية بتات، ويبلغ حجمه 2.7 MB لـ YOLO26n، وهو مستوى الدقة المستخدم في نماذج تطبيق Ultralytics الرسمية. على COCO val2017، حقق تصدير YOLO26n الافتراضي 40.9 mAPval 50-95 بدقة FP16 و40.8 بدقة INT8 على Apple M4، واستغرق كلاهما وقتًا متقاربًا لكل صورة. على iPhone 17 Pro، استغرق كلاهما من 4 إلى 5 مللي ثانية لـ YOLO26n باستخدام المحرك العصبي، ضمن نطاق التفاوت بين الجولات. يتطلب INT8 نظام iOS 16 أو macOS 13، في حين يعمل FP16 أيضًا على iOS 15 وmacOS 12. ولا يحتاج أي منهما إلى بيانات معايرة. تجنب تصدير FP32 الافتراضي عند النشر: فهو الأكبر حجمًا، ولم يكن أسرع باستخدام وحدات الحوسبة في المحرك العصبي من استخدام CPU وحده إلا بنسبة لا تتجاوز 5% في اختباراتنا؛ راجع الدقة. تحقّق من النموذج المُصدّر باستخدام بياناتك وجهازك قبل نشره.

  • يعتمد ذلك على الجهة التي تفك ترميز المخرجات. باستخدام Ultralytics iOS SDK أو إضافة Flutter، صدّر نماذج YOLO26 باستخدام nms=False، كما هي النماذج الرسمية: إذ يقرأ SDK عندئذٍ الاكتشافات النهائية من الرأس الخالي من NMS، ولا يحتاج إلى خطوة NMS. على COCO val2017، حقق YOLO26n بدقة INT8 قيمة 40.1 mAPval 50-95 باستخدام الرأس الخالي من NMS، مقارنةً بـ 40.8 باستخدام المخرجات الافتراضية وNMS الخارجي. على iPhone 17 Pro، استغرق كلاهما من 4 إلى 5 ms لكل صورة. باستخدام إطار عمل Vision من Apple والشفرة الخاصة بك، يحوّل nms=True نموذج كشف إلى مسار Core ML يتضمن مرحلة NMS من Apple، ويمكنك تغيير عتباتها لكل تنبؤ. يعيد Vision اكتشافاته ككائنات VNRecognizedObjectObservation، وتكون درجة الصندوق هي confidence للملاحظة. بالنسبة إلى نموذج كشف nms=True، يُبلغ SDK 8.9.23 والإصدارات الأقدم عن قيمة تقارب 1.0، وهي ثقة التسمية الأعلى لكل صندوق، بدلًا من درجات الصناديق؛ أما الإصدارات الأحدث فتُبلغ عن confidence للملاحظة. يعيد nms=None الافتراضي التنبؤات الخام ويترك تنفيذ NMS لشفرتك. راجع تنسيق المخرجات للاطلاع على مخرجات كل إعداد.

  • يمكنك التصدير دون جهاز Mac: إذ يجري التصدير على Linux بنظام x86-64، كما تصدّر منصة Ultralytics النماذج على السحابة. يتطلب تشغيل النموذج أجهزة Apple، لأن Core ML جزء من أنظمة تشغيل Apple. على Linux وWindows، تحقّق من نقطة تفتيش PyTorch أو من تصدير ONNX لها، ثم تحقّق من نموذج Core ML نفسه على جهاز Mac، حيث يشغّله YOLO("yolo26n.mlpackage").val()، أو على الجهاز المستهدف.

التعليقات13

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. Afool4UGitHub

    Hello! I have trouble when I tried to export yolo11n.pt to coreml model with tracking. for example, the exist tracking method is like this:

    # use YOLO tracking
    results = yolo_model.track(frame, persist=True, verbose=False)

    And I've export pt format and reloaded the new coreml format model like this:

    model.export(format='coreml', nms=True, half=False)
    model = ct.models.MLModel('yolo11n.mlpackage')

    But when I tried to make a tracking on my camera stream, it seems that object 'model' have no attribute named 'track'. So how could I use tracking by a coreml format model? It's very important to me because the coreml model works well on my macbook.

  2. SebastianxhjGitHub

    I used the example python code you guys gave. Why does output output confidence and coordination after converting my target detection model to mlpackage format. is it normal to not return processed images? Or is there something wrong with my export process.

    1. Glenn JocherUltralytics

      @taeja7 the CoreML export returns raw detection outputs (confidence, coordinates) rather than processed images by design. This is normal behavior, as post-processing like bounding box rendering is typically handled within the application layer after inference. For implementation guidance, see the CoreML deployment documentation on handling model outputs in Apple apps.

  3. smadsenjcGitHub

    I have a trained model that is doing very well in Python, but once I convert it to CoreML .mlpackage format and run inference in Swift, the results are garbage on the same images.

    If I export with nms=True, I get multiple overlapping bounding boxes back, similar-ish to when no NMS is done. The number of clusters matches the objects I expect, and they're kind of relatively positioned correctly, although the boxes themselves are too large and clustered in the wrong location. The predicted labels are right.

    If I export with nms=False, I get a different result back from VNCoreMLRequest: a single VNCoreMLFeatureValueObservation instead of an array of VNRecognizedObjectObservation.

    I've used both coremltools 8.0 and 8.2. If I run inference in Python using the CoreML model, it's fine (with nms=False; True fails).

    This was working back in November, but I got side-tracked with other work. I haven't touched the model.

    1. Glenn JocherUltralytics

      @smadsenjc for CoreML inference discrepancies between Python and Swift, ensure you're handling NMS parameters correctly in your Swift implementation. The CoreML export with nms=True requires explicit IOU and confidence threshold inputs during inference - these must match your Python training parameters. We recommend verifying your Swift preprocessing matches Ultralytics' RGB channel ordering and normalization (scale=1/255, bias=[0,0,0]). For direct assistance with Apple's Vision framework implementation, refer to Apple's CoreML integration guide linked in our documentation.

  4. CharanPrasadKGitHub

    When I am Converting the Yolo .pt model to coreml model , mlpackage is creating and when I am checking it in the xcode the class labels are missing. For the core ml models in ultralytics github page class labels are there. If its solved i can test my custom yolo models. Thank you.

    1. Glenn JocherUltralytics(تم التعديل)

      @CharanPrasadK it seems the class labels are not being included in your CoreML export. Ensure that your model is correctly labeled during training and export by checking the names attribute in the model. If the issue persists, please verify that you're using the latest ultralytics package. For further details, refer to the CoreML export documentation. Let us know if you need additional assistance!

  5. ChristalZhuGitHub

    Still the same problem, this is the result of running in the terminal: PyTorch: starting from '/Users/doublepeng/Desktop/best.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) ((1, 37, 8400), (1, 32, 160, 160)) (6.5 MB)

    CoreML: starting export with coremltools 7.2... CoreML: WARNING ⚠️ 'nms=True' is only available for Detect models like 'yolov8n.pt'. Tuple detected at graph output. This will be flattened in the converted model. Converting PyTorch Frontend ==> MIL Ops: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 679/681 [00:00<00:00, 8273.25 ops/s] Running MIL frontend_pytorch pipeline: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 157.94 passes/s] Running MIL default pipeline: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 78/78 [00:00<00:00, 82.56 passes/s] Running MIL backend_mlprogram pipeline: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 12/12 [00:00<00:00, 160.71 passes/s] CoreML: export success ✅ 7.7s, saved as '/Users/doublepeng/Desktop/best.mlpackage' (6.4 MB)

    Export complete (8.1s) Results saved to /Users/doublepeng/Desktop Predict: yolo predict task=segment model=/Users/doublepeng/Desktop/best.mlpackage imgsz=640 Validate: yolo val task=segment model=/Users/doublepeng/Desktop/best.mlpackage imgsz=640 data=/home/yujialin/Documents/xiaotong/corn/data/corn.yaml Visualize: https://netron.app In the run mlpackage file, the class label is still missing in General, and there is no preview. Since I am only doing corn segmentation, if possible, can I send you my .pt file?

    1. Glenn JocherUltralytics

      @ChristalZhu hello,

      Thank you for providing the detailed output from your terminal. It looks like the CoreML export process completed successfully, but you're experiencing issues with missing class labels and preview in the .mlpackage file.

      To assist you better, could you please confirm the following:

      1. Are you using the latest versions of torch and ultralytics? If not, please upgrade and try the export process again.
      2. Could you provide a minimum reproducible example of your code? This will help us understand the context and reproduce the issue on our end. You can refer to our minimum reproducible example guide for more details.

      Regarding your .pt file, we cannot accept direct file submissions. However, you can share the relevant code snippets and configurations you used for training and exporting the model.

      Here's a quick example of how to export a YOLOv8 model to CoreML and run inference:

      from ultralytics import YOLO
      
      # Load the YOLOv8 model
      model = YOLO("yolov8n.pt")
      
      # Export the model to CoreML format
      model.export(format="coreml")  # creates 'yolov8n.mlpackage'
      
      # Load the exported CoreML model
      coreml_model = YOLO("yolov8n.mlpackage")
      
      # Run inference
      results = coreml_model("https://ultralytics.com/images/bus.jpg")

      For more detailed instructions, you can visit our CoreML integration guide.

      Looking forward to your response so we can help resolve this issue.

  6. ChristalZhuGitHub

    我按照https://harshavardhanyellanki.github.io/YOLOV8_GUI/tasks/segmentation/的方法,将我自己训练的分割模型进行导出成mlpackage,但是出现了问题就是打开这个mlpackage之后,缺少class label文件和缺少了preview,请问这个有什么办法解决,如果可以的话,麻烦发送到我的email账号:wenpeng.zhu@foxmail.com万分感谢。 I followed the method at https://harshavardhanyellanki.github.io/YOLOV8_GUI/tasks/segmentation/ to export the segmentation model I trained myself into mlpackage, but the problem is that after opening this mlpackage, the class label file and the preview are missing. Is there any way to solve this problem? If possible, please send it to my email account: wenpeng.zhu@foxmail.com. Thank you very much.

    1. Paula DerrengerUltralytics

      Hello @ChristalZhu,

      Thank you for reaching out and providing details about the issue you're facing with exporting your YOLOv8 segmentation model to CoreML. Let's work together to resolve this.

      Firstly, please ensure that you are using the latest versions of torch and ultralytics. You can update them using the following commands:

      pip install --upgrade torch ultralytics

      If the issue persists, could you please provide a minimum reproducible code example? This will help us better understand the problem and investigate a solution. You can refer to our guide on creating a minimum reproducible example here: Minimum Reproducible Example.

      Regarding the missing class label file and preview in the .mlpackage, this can sometimes occur if the export process does not include all necessary metadata. Here is a Python example to ensure the export includes all required components:

      from ultralytics import YOLO
      
      # Load your trained YOLOv8 model
      model = YOLO("path/to/your/custom_model.pt")
      
      # Export the model to CoreML format
      model.export(format="coreml", nms=True)  # Ensure NMS is included for proper detection

      After exporting, you can manually check the .mlpackage to ensure it contains the necessary class labels and preview files. If they are still missing, please let us know, and we can further investigate.

      For more detailed instructions on exporting to CoreML, you can visit our documentation here: CoreML Export Guide.

      Feel free to share any additional details or errors you encounter. We're here to help!

    2. ChristalZhuGitHub

      Still the same problem, this is the result of running in the terminal: PyTorch: starting from '/Users/doublepeng/Desktop/best.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) ((1, 37, 8400), (1, 32, 160, 160)) (6.5 MB)

      CoreML: starting export with coremltools 7.2... CoreML: WARNING ⚠️ 'nms=True' is only available for Detect models like 'yolov8n.pt'. Tuple detected at graph output. This will be flattened in the converted model. Converting PyTorch Frontend ==> MIL Ops: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 679/681 [00:00<00:00, 8273.25 ops/s] Running MIL frontend_pytorch pipeline: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 157.94 passes/s] Running MIL default pipeline: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 78/78 [00:00<00:00, 82.56 passes/s] Running MIL backend_mlprogram pipeline: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 12/12 [00:00<00:00, 160.71 passes/s] CoreML: export success ✅ 7.7s, saved as '/Users/doublepeng/Desktop/best.mlpackage' (6.4 MB)

      Export complete (8.1s) Results saved to /Users/doublepeng/Desktop Predict: yolo predict task=segment model=/Users/doublepeng/Desktop/best.mlpackage imgsz=640
      Validate: yolo val task=segment model=/Users/doublepeng/Desktop/best.mlpackage imgsz=640 data=/home/yujialin/Documents/xiaotong/corn/data/corn.yaml
      Visualize: https://netron.app In the run mlpackage file, the class label is still missing in General, and there is no preview. Since I am only doing corn segmentation, if possible, can I send you my .pt file?

    3. Paula DerrengerUltralytics

      Hello @ChristalZhu,

      Thank you for providing the detailed output from your terminal. It looks like the CoreML export process completed successfully, but you're encountering issues with missing class labels and preview in the .mlpackage.

      To address this, please ensure you are using the latest versions of torch and ultralytics. You can update them using the following commands:

      pip install --upgrade torch ultralytics

      If the issue persists, could you please provide a minimum reproducible code example? This will help us better understand the problem and investigate a solution. You can refer to our guide on creating a minimum reproducible example here: Minimum Reproducible Example.

      Regarding the missing class label file and preview in the .mlpackage, this can sometimes occur if the export process does not include all necessary metadata. Here is a Python example to ensure the export includes all required components:

      from ultralytics import YOLO
      
      # Load your trained YOLOv8 model
      model = YOLO("path/to/your/custom_model.pt")
      
      # Export the model to CoreML format
      model.export(format="coreml", nms=True)  # Ensure NMS is included for proper detection

      After exporting, you can manually check the .mlpackage to ensure it contains the necessary class labels and preview files. If they are still missing, please let us know, and we can further investigate.

      For more detailed instructions on exporting to CoreML, you can visit our documentation here: CoreML Export Guide.

      Feel free to share any additional details or errors you encounter. We're here to help! 😊