تصدير نماذج YOLO26 إلى CoreML#

تضمّن Apple شرائح مخصصة للذكاء الاصطناعي — وهي Neural Engine — في كل iPhone وiPad وMac حديث، وتُعدّ CoreML المسار المدعوم من Ultralytics لنشر النماذج عليها اليوم. يؤدي تصدير نماذج Ultralytics YOLO26 إلى CoreML إلى تحويل نقطة تحقق .pt مدرَّبة إلى .mlpackage أصلية تشغّل مهام YOLO السبع على الجهاز بزمن استجابة منخفض، من دون اتصال بالشبكة ومن دون مغادرة أي بيانات للجهاز.

ما هو CoreML؟#

CoreML (تسميه Apple ‏"Core ML") هو إطار التعلم الآلي على الجهاز من Apple. ويحمّل النماذج بتنسيق ML Program الحديث — وهو الحزمة .mlpackage التي يُنتجها مُصدِّر Ultralytics — ويجدول تشغيلها عبر CPU وGPU وApple Neural Engine (ANE)، وهو NPU مخصص في كل شريحة من شرائح Apple silicon. وبما أن كل شيء يعمل محليًا، يعمل الاستدلال دون اتصال، ولا يضيف زمن استجابة للشبكة، ويحافظ على بيانات المستخدم على الجهاز.

يتكامل CoreML مباشرةً مع إطار Vision من Apple، الذي يتولى تغيير حجم الصورة واتجاهها عند إدخالها إلى النموذج — وهذه هي الطريقة التي يمرر بها Ultralytics iOS SDK إطارات الكاميرا إلى YOLO بتكلفة معالجة مسبقة تساوي فعليًا صفرًا.

لماذا تُصدِّر YOLO26 إلى CoreML؟#

• سرعة Neural Engine: يجدول CoreML العمليات المدعومة على Neural Engine من Apple لتحقيق استدلال على الجهاز بزمن استجابة منخفض. راجع جدول الأجهزة الفعلية أدناه، وقِس أداء عملية التصدير الدقيقة على العتاد المستهدف.
• اختر الإخراج: الصادرات الافتراضية تترك خوارزمية NMS لتطبيقك. استخدم nms=True لتضمين خوارزمية NMS، أو nms=False لرأس YOLO26 الخالي من خوارزمية NMS.
• خاص ويعمل دون اتصال: تبقى جميع العمليات الحسابية على الجهاز — دون اتصالات سحابية ذهابًا وإيابًا، ودون مفاتيح API، مع خصوصية كاملة للبيانات.
• تصدير واحد للنظام البيئي بأكمله: يعمل .mlpackage نفسه على iOS وiPadOS وmacOS وwatchOS وtvOS وvisionOS، ويشغّل iOS SDK الرسمي من Ultralytics وإضافة Flutter.

الأداء المُقاس#

استدلال شامل لصورة واحدة باستخدام أصول CoreML القياسية v8.3.0 من YOLO26n INT8 على iPhone 17 Pro بذاكرة 12 GB ونظام iOS 26.5.2. يحتوي A19 Pro على CPU سداسي النوى (نواتا أداء و4 نوى كفاءة)، وGPU سداسي النوى مع Neural Accelerators، وNeural Engine سداسي عشري النوى. تعرض كل خلية الوقت الإجمالي (المعالجة المسبقة + الاستدلال + المعالجة اللاحقة، باستثناء التعليق التوضيحي)، مع تقسيم المراحل أسفلها. في iOS، ينفذ Vision تغيير حجم الإدخال داخل طلب الاستدلال، لذا تُعرض المعالجة المسبقة بقيمة 0 وتُدرج تكلفتها ضمن الاستدلال.

• تعلن أصول الإصدار الدقيقة v8.3.0 عن مدخلات بحجم 224×224 للتصنيف و640×640 لكل مهمة أخرى.
• قيم السرعة هي أزمنة استجابة متتالية لصورة واحدة — أي متوسط 15 تشغيلًا بعد 3 عمليات إحماء على bus.jpg، مقاسةً عبر توقيت المراحل في iOS SDK باستخدام أداة القياس في إضافة Flutter في وضع الملف التعريفي (تعليمة أصلية محسّنة). وقد تناوب ترتيب CPU/المسرّع بين المهام ضمن مسح تسلسلي واحد. تطلب صفوف CPU ‏Core ML .cpuOnly، بينما تطلب صفوف CPU + ANE المفضلة .cpuAndNeuralEngine، مع تحكم Core ML في التوزيع النهائي للعمليات. ويعمل تشغيل الكاميرا المستمر في الوقت الفعلي بزمن أعلى لأنه يتضمن مسار الالتقاط وتغيير الحجم، إضافةً إلى استقرار الحرارة. وقد سجّل مسح تاريخي للكاميرا، أُجري قبل اعتماد المعيار، 11.3 مللي ثانية/إطار لـ YOLO26n detect و16.5 مللي ثانية/إطار لـ YOLO26n Depth على الجهاز نفسه — راجع مستند أداء iOS SDK لقياس الأداء في الحالة المستقرة.
• قارن نتائج CPU/GPU على Android في تكامل LiteRT، ونتائج Snapdragon NPU في تكامل Qualcomm QNN.

المهام المدعومة#

يدعم تصدير CoreML مهام Ultralytics السبع كلها. ولا يتوفر التقسيم الدلالي وتقدير العمق إلا مع YOLO26، وهي العائلة الوحيدة التي تتضمن رأسيْن لهاتين المهمتين.

تصدير نماذج YOLO26 إلى CoreML#

التثبيت#

لتثبيت الحزمة المطلوبة، نفّذ:

# Install the required package for YOLO26
pip install ultralytics

يُثبَّت المحوِّل coremltools تلقائيًا عند أول عملية تصدير. ويُجرى التصدير على macOS أو Linux x86؛ وللحصول على إرشادات مفصلة وأفضل الممارسات، راجع دليل التثبيت ودليل المشكلات الشائعة.

الاستخدام#

يدعم تنسيق CoreML أوضاع Export وPredict وValidate. ويعمل الاستدلال والتحقق باستخدام CoreML على macOS فقط. صدّر نموذجك، ثم حمّل النموذج المُصدَّر لتشغيل الاستدلال أو التحقق من دقته.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export to CoreML with INT8 weight quantization, matching the official app models
model.export(format="coreml", quantize=8, imgsz=640)  # use imgsz=224 for classification

from ultralytics import YOLO

# Load the exported CoreML model (macOS)
model = YOLO("yolo26n.mlpackage")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported CoreML model (macOS)
model = YOLO("yolo26n.mlpackage")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

وسائط التصدير#

لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة توثيق Ultralytics حول التصدير.

استهداف Neural Engine#

يختار CoreML العتاد عبر MLModelConfiguration.computeUnits. ويستخدم Ultralytics iOS SDK افتراضيًا .cpuAndNeuralEngine على iOS 16 والإصدارات الأحدث بدلًا من .all: ففي تطبيق كاميرا يعمل في الوقت الفعلي، يكون GPU مشغولًا بتركيب المعاينة والتراكبات، لذا يؤدي استبعاده إلى تجنب التنافس وتذبذب زمن الإطار، بينما يتولى ANE العمل المكثف. ثبّت .cpuOnly لاختبار التوافق فقط — يوضح الجدول أعلاه تكلفته.

يتبع تشغيل نموذج CoreML من Python على مضيف Mac (عبر Ultralytics أو coremltools) القاعدة نفسها: يحمّله Ultralytics باستخدام ComputeUnit.CPU_AND_NE (macOS 13 والإصدارات الأحدث، مع الرجوع إلى CPU_ONLY في إصدارات macOS الأقدم)، مما يحافظ على الاستدلال في Neural Engine (أسرع بنحو ~3× من CPU). ويتجنب هذا أيضًا قيدًا حاليًا في مضيف macOS، حيث تؤدي ComputeUnit.ALL / CPU_AND_GPU الافتراضية — التي تضيف مسار تجميع GPU/MPSGraph — إلى إيقاف العملية بسبب تأكيد Error: MLIR pass manager failed على coremltools ‏9.x.

نشر نماذج YOLO26 CoreML المُصدَّرة#

أسرع مسار هو Ultralytics YOLO iOS SDK الرسمي، وهو حزمة Swift نفسها التي تشغّل تطبيق Ultralytics لنظام iOS وإضافة Flutter. إذ يحل أسماء النماذج الرسمية تلقائيًا، وينزّل .mlpackage ويخزّنه مؤقتًا، ويعيد نتائج مفكوكة الترميز بالكامل:

import UltralyticsYOLO

// Loads the official INT8 model (downloaded and cached on first use), then runs inference
let yolo = YOLO("yolo26n", task: .detect) { result in
    if case .success(let model) = result {
        let results = model(uiImage)  // boxes, labels, confidences, timing
    }
}

بالنسبة إلى تطبيقات الكاميرا، أضف YOLOView من SDK للاستدلال في الوقت الفعلي مع تراكبات أصلية، أو استخدم إضافة Flutter للتطبيقات متعددة المنصات التي تشارك قاعدة شيفرة واحدة مع Android.

كما أن دمج .mlpackage الخام بنفسك سهل باستخدام حزمة Apple — حمّله باستخدام MLModel، وغلّفه في VNCoreMLRequest، ومرّر الصور عبر VNImageRequestHandler. وتغطي الموارد التالية التفاصيل:

• دمج نموذج Core ML في تطبيقك: دليل Apple لحزم نموذج CoreML واستدعائه.
• CoreML Tools: مرجع التحويل والتكميم والتحسين لسلسلة أدوات coremltools التي تشغّل عملية التصدير هذه.
• تقارير أداء Core ML في Xcode: تحديد موضع كل طبقة وقياس زمن الاستجابة على الجهاز لنموذجك وجهازك المحددين.

انشر النموذج إما مضمّنًا في حزمة التطبيق (إتاحة فورية، ومثالي للنماذج الصغيرة جدًا/الصغيرة) أو نزّله عند التشغيل الأول وخزّنه مؤقتًا (ملف ثنائي أصغر وتحديثات سهلة للنموذج). تجمع التطبيقات الرسمية بين النهجين: إذ تُضمَّن نماذج nano الافتراضية للاستخدام الفوري، بينما تُنزَّل المتغيرات الأكبر عند الطلب وتُخزَّن محليًا مؤقتًا.

سير العمل الموصى به#

1. درّب نموذجك باستخدام وضع Train في Ultralytics، أو ابدأ بأوزان YOLO26 الرسمية
2. صدّر باستخدام model.export(format="coreml", quantize=8, imgsz=640) على macOS أو Linux x86 ‏(imgsz=224 للتصنيف)
3. تحقق من الدقة باستخدام model.val() على Mac، وقِس الأداء باستخدام تقرير أداء Core ML في Xcode على جهازك المستهدف
4. انشر باستخدام iOS SDK أو إضافة Flutter أو تكامل Vision الخاص بك، مع استهداف .cpuAndNeuralEngine

الملخص#

في هذا الدليل، تعلمت كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق .mlpackage في CoreML، وتكميمها من أجل Apple Neural Engine، ونشرها بأزمنة استجابة من خانة واحدة بالمللي ثانية — إما عبر iOS SDK وإضافة Flutter الرسميين أو عبر تكامل Vision الخاص بك. لأهداف النشر الأخرى، تصفح صفحة دليل التكامل، وقارن التنسيقات باستخدام وضع Benchmark.

الأسئلة الشائعة#