Link to this sectionIntegración con Apple Core AI#

Core AI es el nuevo framework de Apple para ejecutar redes neuronales directamente en Apple silicon. Introduce el formato de modelo .aimodel, una API de inferencia moderna en Swift, herramientas de conversión basadas en PyTorch, compilación anticipada, especialización de modelos y herramientas específicas de depuración y perfilado.

Apple describe Core AI como la próxima evolución de la ejecución de IA en el dispositivo y el framework de inferencia detrás de Apple Intelligence en el dispositivo. Está diseñado para arquitecturas de redes neuronales actuales, desde modelos de visión compactos hasta grandes modelos generativos, y puede programar el trabajo a través de CPU, GPU y Apple Neural Engine (ANE).

Core AI es una nueva ruta de despliegue, no un nuevo nombre para Core ML. Los frameworks utilizan diferentes formatos de modelo, herramientas de conversión, APIs de tiempo de ejecución y patrones de integración de aplicaciones.

Link to this sectionComparativa entre Core AI y Core ML#

Core ML sigue siendo la elección apropiada cuando una aplicación necesita una amplia cobertura de dispositivos, integración con el framework Vision o tipos de modelos como árboles de decisión y tuberías tabulares. Apple continúa apoyando Core ML y remite a los desarrolladores con modelos de tipo no neuronal a él.

Link to this sectionCómo funciona el formato Core AI#

El flujo de trabajo de creación de Core AI comienza con un modelo de PyTorch:

PyTorch model
    ↓ torch.export
ExportedProgram
    ↓ coreai-torch
Core AI program
    ↓ optimize and save
.aimodel
    ↓ specialize or compile ahead of time
Apple silicon executable

El paquete coreai-torch de Apple convierte un torch.export.ExportedProgram bajando las operaciones ATen de PyTorch a operaciones de Core AI. Las operaciones no compatibles se pueden implementar con un lowering personalizado o un kernel de Metal personalizado.

El .aimodel resultante es un activo de modelo no especializado. Cuando una aplicación prepara el modelo, Core AI lo especializa para el dispositivo de destino. Las aplicaciones pueden permitir que esto ocurra en el primer uso, solicitar la especialización con antelación o enviar un modelo compilado con antelación para reducir el tiempo de carga inicial.

En Swift, las aplicaciones cargan el activo con el framework Core AI, seleccionan una función de inferencia, proporcionan entradas NDArray tipadas y reciben salidas con nombre. Esto es diferente de envolver un modelo de Core ML en una solicitud de Vision, por lo que adoptar Core AI requiere un tiempo de ejecución de aplicación diseñado para activos .aimodel.

Para obtener detalles de implementación, consulta la documentación de Apple para AIModel, especialización y caché de modelos, y compilación de modelos de Core AI de forma anticipada.

Link to this sectionUso futuro de Ultralytics#

Una vez lanzada la integración prevista, se espera que la API de Python exporte un modelo YOLO26 a .aimodel con un valor de formato dedicado:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="coreai")  # Planned: creates yolo26n.aimodel

El comando CLI planificado equivalente es:

yolo export model=yolo26n.pt format=coreai # Planned: not yet available

Los argumentos finales, las tareas de YOLO compatibles, las opciones de precisión y el comportamiento de formas dinámicas se documentarán en el modo de exportación una vez que el exportador se haya implementado y validado.

En iOS 27 o macOS 27, una aplicación cargaría y ejecutaría el activo exportado a través de la API Swift de Core AI de Apple. Los nombres de funciones y tensores a continuación son ilustrativos; el contrato de salida de Ultralytics compatible se publicará junto con el exportador:

import CoreAI

let modelURL = Bundle.main.url(forResource: "yolo26n", withExtension: "aimodel")!
let model = try await AIModel(contentsOf: modelURL)
guard let function = try model.loadFunction(named: "main") else {
    throw AppError.missingInferenceFunction
}

let outputs = try await function.run(inputs: ["image": imageTensor])

A diferencia del flujo de trabajo actual de Core ML y Vision, la futura ruta de Core AI necesitará definir el preprocesamiento de imágenes, la construcción de NDArray, los metadatos del modelo y la decodificación de salida en el SDK de iOS de Ultralytics. Apple proporciona los detalles actuales de la API en la documentación del framework Core AI y ejemplos de modelos funcionales en el repositorio de modelos de Core AI.

Link to this sectionVentajas de Core AI#

Core AI ofrece varias ventajas prometedoras para el futuro despliegue de Ultralytics:

• Ruta de exportación moderna de PyTorch: La conversión comienza desde torch.export, preservando un grafo de PyTorch más expresivo que el flujo de trabajo de trazado utilizado por muchos exportadores existentes.
• Control de tiempo de ejecución de grano fino: Las aplicaciones pueden gestionar la especialización, cachés de modelos compilados, funciones de inferencia, memoria y ubicación de cómputo.
• Soporte avanzado de modelos: La ejecución con estado, formas dinámicas, múltiples funciones en un artefacto y kernels de Metal personalizados están diseñados para arquitecturas de visión y generativas modernas.
• Herramientas dedicadas para desarrolladores: El depurador de Core AI puede inspeccionar grafos y valores de tensores y rastrearlos hasta el código Python original. Xcode e Instruments proporcionan perfilado en tiempo de ejecución.
• Oportunidades de copia cero: Core AI expone controles de almacenamiento y buffers destinados a reducir las copias entre las cargas de trabajo de cámara, gráficos e inferencia.
• Optimización para Apple silicon: La especialización del dispositivo permite a Apple optimizar un modelo para la CPU, GPU y Neural Engine disponibles en el dispositivo específico.
• Compresión flexible: Las herramientas de optimización de Core AI de Apple admiten cuantización, paletización y poda, incluidos formatos de pesos de bits bajos.

Estas capacidades podrían ser particularmente útiles para futuros modelos YOLO con ejecución dinámica, componentes multimodales más grandes u operaciones personalizadas que no se asignan limpiamente a las operaciones existentes de Core ML.

Link to this sectionDesventajas y limitaciones actuales#

Core AI no es actualmente un reemplazo para la ruta de producción de Core ML:

• Nuevos sistemas operativos requeridos: El framework público apunta a la generación de iOS 27 y macOS 27, mientras que Core ML admite una base instalada mucho mayor.
• Software Beta: El framework Core AI de Apple y partes de su cadena de herramientas Python son todavía preliminares y pueden cambiar antes de sus versiones estables.
• Entorno de exportación más estrecho: coreai-torch actualmente requiere Python 3.11 o más reciente y versiones recientes de PyTorch, lo cual es mucho más limitado que el rango de Python y PyTorch admitido por Ultralytics.
• Sin comando actual de Ultralytics: yolo export format=coreai no está implementado, probado ni cubierto por las garantías de compatibilidad de Ultralytics.
• Sin tiempo de ejecución de aplicación de Ultralytics todavía: La aplicación oficial de YOLO para iOS y el plugin de Flutter cargan actualmente artefactos de Core ML a través de MLModel y Vision.
• Migración de aplicación requerida: Un .aimodel no se puede sustituir por un .mlpackage; la carga del modelo, el preprocesamiento, las llamadas de inferencia, el manejo de metadatos y la decodificación de salida necesitan una implementación de Core AI.
• Evidencia de producción limitada: El rendimiento, el uso de energía, el tiempo de especialización en la primera ejecución, la precisión y la compresión necesitan validación en toda la matriz de tareas y dispositivos YOLO admitidos.
• Sin tubería de NMS heredada establecida: Core ML puede empaquetar una etapa de NMS para modelos de detección YOLO antiguos. Se espera que la primera integración de Core AI se centre en modelos YOLO26 sin NMS.

Link to this section¿Qué formato de Apple deberías utilizar?#

Utiliza Core ML hoy cuando necesites:

• Un comando de exportación de Ultralytics compatible
• Despliegue en sistemas operativos Apple actuales y antiguos
• Integración con el SDK de Ultralytics para iOS o Flutter
• Manejo de imágenes con el framework Vision
• Despliegue de YOLO probado en FP16 e INT8
• NMS integrado para modelos de detección heredados compatibles

Evalúa Core AI en el futuro cuando puedas requerir iOS 27 o macOS 27 y necesites:

• El nuevo tiempo de ejecución de redes neuronales en el dispositivo de Apple
• Especialización explícita y gestión de caché
• Ejecución de modelos dinámica o con estado avanzada
• Operaciones personalizadas de Core AI o kernels de Metal
• Depuración detallada de grafos de Core AI y perfilado en tiempo de ejecución

Se espera que Core ML y Core AI coexistan mientras las aplicaciones hacen la transición. Admitir Core AI no elimina inmediatamente la necesidad de Core ML, ya que sus objetivos de despliegue y contratos de aplicación difieren.

Link to this sectionHoja de ruta de Ultralytics#

Ultralytics planea evaluar un objetivo de exportación coreai dedicado en el cuarto trimestre de 2026, una vez que iOS 27 y macOS 27 estén disponibles de forma general. Se espera que el trabajo inicial se centre en modelos YOLO26 sin NMS y en el formato .aimodel, manteniendo al mismo tiempo Core ML para los objetivos de despliegue de Apple establecidos.

Antes de que Core AI pueda convertirse en un formato de exportación compatible, la integración necesita:

1. Validación de exportación y numérica en detección, segmentación de instancias, segmentación semántica, clasificación, pose y cajas delimitadoras orientadas.
2. Pruebas de precisión en FP16 y cuantizada frente a las líneas base de PyTorch y Core ML.
3. Benchmarks de latencia, memoria, energía y especialización en el dispositivo.
4. Carga y preprocesamiento de modelos Core AI en el SDK de iOS de Ultralytics.
5. Integración con Flutter y una estrategia de compatibilidad para dispositivos con versiones inferiores a iOS 27.
6. Versiones estables del framework de Apple y de las herramientas de conversión.

Sigue la hoja de ruta de Ultralytics y las notas de la versión para conocer su disponibilidad. Hasta que se lance la compatibilidad, los comandos o parches de terceros que produzcan archivos .aimodel son experimentales y están fuera de la matriz de exportación compatible de Ultralytics.

Link to this sectionRecursos adicionales#

• Visión general de Apple Core AI
• Documentación del framework Core AI
• Extensiones de Core AI para PyTorch
• Optimización de Core AI
• Repositorio de modelos de Apple Core AI
• Integración de Ultralytics con Core ML

Link to this sectionFAQ#

Link to this section¿Puede Ultralytics exportar modelos YOLO a .aimodel actualmente?#

No. Ultralytics admite actualmente el formato .mlpackage de Core ML de Apple mediante model.export(format="coreml"). Un destino de exportación nativo para Core AI está planificado, pero aún no forma parte del exportador soportado.

Link to this section¿Está Core AI reemplazando a Core ML?#

No de inmediato. Core AI es la ruta más reciente de Apple para redes neuronales modernas, mientras que Core ML sigue siendo compatible y ofrece una cobertura más amplia del sistema operativo, integración con Vision y soporte para modelos no neuronales.

Link to this section¿Puedo renombrar un .mlpackage a .aimodel?#

No. Contienen representaciones de modelos diferentes y son cargados por frameworks distintos. La conversión debe iniciarse desde el modelo original a través de la cadena de herramientas adecuada de Apple.

Link to this section¿Reemplazará la integración de Ultralytics con Core AI al format=coreml?#

Se espera que la integración inicial coexista con Core ML. Cualquier decisión futura de reemplazo dependerá de la adopción del sistema operativo, la estabilidad de las herramientas, el rendimiento y el soporte posterior para iOS y Flutter.