CoreML Exportar para YOLOv8 Modelos

Desplegar modelos de visión por ordenador en dispositivos Apple como iPhones y Macs requiere un formato que garantice un rendimiento sin fisuras.

El formato de exportación CoreML te permite optimizar tus Ultralytics YOLOv8 modelos para una detección eficaz de objetos en las aplicaciones iOS y macOS. En esta guía, te guiaremos a través de los pasos para convertir tus modelos al formato CoreML , facilitando que tus modelos funcionen bien en los dispositivos Apple.

CoreML

CoreML es el marco fundacional de aprendizaje automático de Apple que se basa en Accelerate, BNNS y Metal Performance Shaders. Proporciona un formato de modelo de aprendizaje automático que se integra perfectamente en las aplicaciones de iOS y admite tareas como el análisis de imágenes, el procesamiento del lenguaje natural, la conversión de audio a texto y el análisis de sonido.

Las aplicaciones pueden aprovechar Core ML sin necesidad de tener una conexión de red o llamadas a la API, porque el marco de Core ML funciona mediante computación en el dispositivo. Esto significa que la inferencia del modelo puede realizarse localmente en el dispositivo del usuario.

Características principales de los modelos CoreML

El marco CoreML de Apple ofrece sólidas funciones para el aprendizaje automático en el dispositivo. Estas son las características clave que hacen de CoreML una potente herramienta para los desarrolladores:

• Amplio soporte de modelos: Convierte y ejecuta modelos de marcos populares como TensorFlow, PyTorch, scikit-learn, XGBoost y LibSVM.

• Aprendizaje automático en el dispositivo: Garantiza la privacidad de los datos y un procesamiento rápido mediante la ejecución de modelos directamente en el dispositivo del usuario, eliminando la necesidad de conectividad a la red.

• Rendimiento y optimización: Utiliza el motor CPU, GPU, y el motor neuronal del dispositivo para obtener un rendimiento óptimo con un uso mínimo de energía y memoria. Ofrece herramientas para la compresión y optimización de modelos manteniendo la precisión.

• Facilidad de integración: Proporciona un formato unificado para varios tipos de modelos y una API fácil de usar para una integración perfecta en las aplicaciones. Admite tareas específicas del dominio mediante marcos como Visión y Lenguaje Natural.

• Funciones avanzadas: Incluye capacidades de entrenamiento en el dispositivo para experiencias personalizadas, predicciones asíncronas para experiencias ML interactivas, y herramientas de inspección y validación de modelos.

CoreML Opciones de despliegue

Antes de ver el código para exportar YOLOv8 modelos a la CoreML formato, entendamos dónde CoreML Por lo general, se utilizan modelos.

CoreML ofrece varias opciones de despliegue para los modelos de aprendizaje automático, entre ellas

• Despliegue en el dispositivo: Este método integra directamente los modelos CoreML en tu aplicación iOS . Es especialmente ventajoso para garantizar una baja latencia, mayor privacidad (ya que los datos permanecen en el dispositivo) y funcionalidad offline. Este método, sin embargo, puede estar limitado por las capacidades de hardware del dispositivo, especialmente para los modelos más grandes y complejos. La implantación en el dispositivo puede ejecutarse de las dos formas siguientes.

  • Modelos integrados: Estos modelos se incluyen en el paquete de la aplicación y son accesibles inmediatamente. Son ideales para modelos pequeños que no requieren actualizaciones frecuentes.

  • Modelos descargados: Estos modelos se obtienen de un servidor cuando se necesitan. Este enfoque es adecuado para los modelos más grandes o los que necesitan actualizaciones periódicas. Ayuda a reducir el tamaño del paquete de la aplicación.

• Despliegue basado en la nube: los modelos de CoreML se alojan en servidores y la aplicación iOS accede a ellos mediante solicitudes a la API. Esta opción escalable y flexible permite actualizar fácilmente los modelos sin revisar la app. Es ideal para modelos complejos o aplicaciones a gran escala que requieran actualizaciones periódicas. Sin embargo, requiere una conexión a Internet y puede plantear problemas de latencia y seguridad.

Exportar modelos de YOLOv8 a CoreML

Exportar YOLOv8 a CoreML permite un rendimiento optimizado del aprendizaje automático en el dispositivo dentro del ecosistema de Apple, ofreciendo ventajas en términos de eficiencia, seguridad e integración perfecta con las plataformas iOS, macOS, watchOS y tvOS.

Instalación

Para instalar el paquete necesario, ejecuta

# Install the required package for YOLOv8
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónYOLOv8 . Mientras instalas los paquetes necesarios para YOLOv8, si encuentras alguna dificultad, consulta nuestra guía de Problemas comunes para encontrar soluciones y consejos.

Utilización

Antes de sumergirte en las instrucciones de uso, asegúrate de consultar la gama de modelosYOLOv8 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más apropiado para los requisitos de tu proyecto.

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")

# Export a YOLOv8n PyTorch model to CoreML format
yolo export model=yolov8n.pt format=coreml  # creates 'yolov8n.mlpackage''

# Run inference with the exported model
yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Para más detalles sobre el proceso de exportación, visita la página de documentaciónUltralytics sobre exportación.

Despliegue de modelos exportados de YOLOv8 CoreML

Una vez exportados con éxito tus modelos Ultralytics YOLOv8 a CoreML, la siguiente fase crítica es desplegar estos modelos con eficacia. Para obtener información detallada sobre la implantación de los modelos CoreML en distintos entornos, consulta estos recursos:

• CoreML Herramientas: Esta guía incluye instrucciones y ejemplos para convertir modelos de TensorFlow, PyTorch, y otras bibliotecas a Core ML.

• ML y Visión: Una colección de vídeos exhaustivos que cubren diversos aspectos del uso y la aplicación de los modelos CoreML .

• Integrar un modelo ML básico en tu aplicación: Una guía completa sobre la integración de un modelo CoreML en una aplicación iOS , detallando los pasos desde la preparación del modelo hasta su implementación en la app para diversas funcionalidades.

Resumen

En esta guía, repasamos cómo exportar modelos Ultralytics YOLOv8 al formato CoreML . Si sigues los pasos descritos en esta guía, podrás garantizar la máxima compatibilidad y rendimiento al exportar modelos YOLOv8 a CoreML.

Para más detalles sobre su uso, visita la documentación oficial deCoreML .

Además, si quieres saber más sobre otras integraciones de Ultralytics YOLOv8 , visita nuestra página de guía de integraciones. Allí encontrarás un montón de recursos y conocimientos valiosos.

PREGUNTAS FRECUENTES

¿Cómo exporto los modelos de YOLOv8 al formato CoreML ?

Para exportar tu Ultralytics YOLOv8 modelos al formato CoreML , primero tendrás que asegurarte de que tienes el ultralytics instalado. Puedes instalarlo utilizando:

pip install ultralytics

A continuación, puedes exportar el modelo utilizando los siguientes comandos Python o CLI :

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="coreml")

yolo export model=yolov8n.pt format=coreml

Para más detalles, consulta la sección Exportar modelos de YOLOv8 a CoreML de nuestra documentación.

¿Cuáles son las ventajas de utilizar CoreML para desplegar los modelos YOLOv8 ?

CoreML ofrece numerosas ventajas para desplegar Ultralytics YOLOv8 en dispositivos Apple:

• Procesamiento en el dispositivo: Permite la inferencia local del modelo en los dispositivos, garantizando la privacidad de los datos y minimizando la latencia.
• Optimización del rendimiento: Aprovecha todo el potencial de CPU, GPU y el motor neuronal del dispositivo, optimizando tanto la velocidad como la eficiencia.
• Facilidad de integración: Ofrece una experiencia de integración perfecta con los ecosistemas de Apple, incluidos iOS, macOS, watchOS y tvOS.
• Versatilidad: Admite una amplia gama de tareas de aprendizaje automático, como el análisis de imágenes, el procesamiento de audio y el procesamiento del lenguaje natural, utilizando el marco CoreML .

Para más detalles sobre la integración de tu modelo CoreML en una aplicación iOS , consulta la guía Cómo integrar un modelo ML básico en tu aplicación.

¿Cuáles son las opciones de despliegue para los modelos de YOLOv8 exportados a CoreML?

Una vez que hayas exportado tu modelo YOLOv8 al formato CoreML , tienes múltiples opciones de despliegue:

1. Despliegue en el dispositivo: Integra directamente los modelos de CoreML en tu aplicación para mejorar la privacidad y la funcionalidad offline. Esto puede hacerse como:

   • Modelos integrados: Incluidos en el paquete de la aplicación, accesibles inmediatamente.
   • Modelos descargados: Obtenidos de un servidor según sea necesario, manteniendo el tamaño del paquete de la aplicación más pequeño.

2. Despliegue basado en la nube: Aloja los modelos CoreML en servidores y accede a ellos mediante solicitudes a la API. Este enfoque facilita las actualizaciones y puede gestionar modelos más complejos.

Para obtener información detallada sobre el despliegue de los modelos CoreML , consulta CoreML Opciones de despliegue.

¿Cómo garantiza CoreML un rendimiento optimizado para los modelos YOLOv8 ?

CoreML garantiza un rendimiento optimizado para Ultralytics YOLOv8 modelos utilizando diversas técnicas de optimización:

• Aceleración por hardware: Utiliza el CPU, GPU, y el motor neuronal del dispositivo para un cálculo eficiente.
• Compresión de modelos: Proporciona herramientas para comprimir modelos y reducir su tamaño sin comprometer la precisión.
• Inferencia Adaptativa: Ajusta la inferencia en función de las capacidades del dispositivo para mantener un equilibrio entre velocidad y rendimiento.

Para más información sobre la optimización del rendimiento, visita la documentación oficial deCoreML .

¿Puedo ejecutar la inferencia directamente con el modelo exportado de CoreML ?

Sí, puedes ejecutar la inferencia directamente utilizando el modelo exportado de CoreML . A continuación se indican los comandos para Python y CLI:

from ultralytics import YOLO

coreml_model = YOLO("yolov8n.mlpackage")
results = coreml_model("https://ultralytics.com/images/bus.jpg")

yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Para más información, consulta la sección Utilización de la guía de exportación CoreML .

Comentarios