Link to this sectionIntégration Apple Core AI#

Core AI est le nouveau framework d'Apple pour exécuter des réseaux de neurones directement sur Apple silicon. Il introduit le format de modèle .aimodel, une API d'inférence Swift moderne, des outils de conversion basés sur PyTorch, la compilation anticipée, la spécialisation de modèles, ainsi que des outils de débogage et de profilage dédiés.

Apple décrit Core AI comme la prochaine évolution de l'exécution d'IA sur appareil et le framework d'inférence derrière l'Apple Intelligence sur appareil. Il est conçu pour les architectures de réseaux de neurones actuelles, des modèles de vision compacts aux grands modèles génératifs, et peut planifier le travail sur le CPU, le GPU et l'Apple Neural Engine (ANE).

Core AI est un nouveau chemin de déploiement plutôt qu'un nouveau nom pour Core ML. Les frameworks utilisent des formats de modèles, des outils de conversion, des API d'exécution et des modèles d'intégration d'application différents.

Link to this sectionComparaison entre Core AI et Core ML#

Core ML reste le choix approprié lorsqu'une application nécessite une large couverture d'appareils, une intégration avec le framework Vision, ou des types de modèles tels que des arbres de décision et des pipelines tabulaires. Apple continue de prendre en charge Core ML et y dirige les développeurs utilisant des types de modèles non neuronaux.

Link to this sectionComment fonctionne le format Core AI#

Le flux de travail de création Core AI commence à partir d'un modèle PyTorch :

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

Le package Apple coreai-torch convertit un torch.export.ExportedProgram en abaissant les opérations PyTorch ATen en opérations Core AI. Les opérations non prises en charge peuvent être implémentées avec un abaissement personnalisé ou un noyau Metal personnalisé.

Le .aimodel résultant est un actif de modèle non spécialisé. Lorsqu'une application prépare le modèle, Core AI le spécialise pour l'appareil cible. Les applications peuvent laisser cela se produire lors de la première utilisation, demander une spécialisation plus tôt, ou fournir un modèle compilé à l'avance pour réduire le temps de chargement initial.

En Swift, les applications chargent l'actif avec le framework Core AI, sélectionnent une fonction d'inférence, fournissent des entrées NDArray typées et reçoivent des sorties nommées. Cela diffère de l'encapsulation d'un modèle Core ML dans une requête Vision, donc l'adoption de Core AI nécessite une exécution d'application conçue pour les actifs .aimodel.

Pour les détails d'implémentation, consulte la documentation d'Apple pour AIModel, la spécialisation et la mise en cache de modèle, et la compilation anticipée de modèles Core AI.

Link to this sectionUtilisation future d'Ultralytics#

Une fois l'intégration prévue publiée, l' API Python devrait exporter un modèle YOLO26 vers .aimodel avec une valeur de format dédiée :

from ultralytics import YOLO

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

La commande CLI prévue équivalente est :

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

Les arguments finaux, les tâches YOLO prises en charge, les options de précision et le comportement des formes dynamiques seront documentés en mode Exportation une fois l'exportateur implémenté et validé.

Sur iOS 27 ou macOS 27, une application chargerait et exécuterait ensuite l'actif exporté via l'API Swift Core AI d'Apple. Les noms de fonction et de tenseur ci-dessous sont illustratifs ; le contrat de sortie Ultralytics pris en charge sera publié avec l'exportateur :

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])

Contrairement au flux de travail actuel Core ML et Vision, le futur chemin Core AI devra définir le prétraitement d'image, la construction NDArray, les métadonnées de modèle et le décodage de sortie dans le SDK iOS Ultralytics. Apple fournit les détails de l'API actuelle dans la documentation du framework Core AI et des exemples de modèles fonctionnels dans le dépôt de modèles Core AI.

Link to this sectionAvantages de Core AI#

Core AI offre plusieurs avantages prometteurs pour le futur déploiement d'Ultralytics :

• Chemin d'exportation PyTorch moderne : La conversion commence à partir de torch.export, préservant un graphe PyTorch plus expressif que le flux de travail de traçage utilisé par de nombreux exportateurs existants.
• Contrôle granulaire de l'exécution : Les applications peuvent gérer la spécialisation, les caches de modèles compilés, les fonctions d'inférence, la mémoire et le placement de calcul.
• Prise en charge avancée des modèles : L'exécution avec état, les formes dynamiques, les fonctions multiples dans un seul artefact et les noyaux Metal personnalisés sont conçus pour les architectures modernes de vision et génératives.
• Outils développeurs dédiés : Le débogueur Core AI peut inspecter les graphes et les valeurs de tenseur et les retracer jusqu'au code Python d'origine. Xcode et Instruments fournissent un profilage d'exécution.
• Opportunités de zéro copie : Core AI expose des contrôles de stockage et de tampon destinés à réduire les copies entre les charges de travail de caméra, de graphiques et d'inférence.
• Optimisation Apple silicon : La spécialisation sur appareil permet à Apple d'optimiser un modèle pour le CPU, le GPU et le Neural Engine disponibles sur l'appareil spécifique.
• Compression flexible : Les outils d'optimisation Core AI d'Apple prennent en charge la quantification, la palettisation et l'élagage, incluant les formats de poids à faible bit.

Ces capacités pourraient être particulièrement utiles pour les futurs modèles YOLO avec exécution dynamique, des composants multimodaux plus larges ou des opérations personnalisées qui ne s'alignent pas proprement sur les opérations Core ML existantes.

Link to this sectionInconvénients et limitations actuels#

Core AI n'est pas actuellement un remplacement pour le chemin de production Core ML :

• Nouveaux systèmes d'exploitation requis : Le framework public cible la génération iOS 27 et macOS 27, tandis que Core ML prend en charge une base installée beaucoup plus large.
• Logiciel bêta : Le framework Core AI d'Apple et certaines parties de sa chaîne d'outils Python sont encore préliminaires et peuvent changer avant leurs versions stables.
• Environnement d'exportation plus étroit : coreai-torch nécessite actuellement Python 3.11 ou plus récent et des versions récentes de PyTorch, ce qui est beaucoup plus restreint que la gamme Python et PyTorch prise en charge par Ultralytics.
• Aucune commande Ultralytics actuelle : yolo export format=coreai n'est pas implémenté, testé ou couvert par les garanties de compatibilité d'Ultralytics.
• Aucune exécution d'application Ultralytics encore : L'application officielle YOLO iOS et le plugin Flutter chargent actuellement les artefacts Core ML via MLModel et Vision.
• Migration d'application requise : Un .aimodel ne peut pas être substitué à un .mlpackage ; le chargement du modèle, le prétraitement, les appels d'inférence, la gestion des métadonnées et le décodage de sortie nécessitent une implémentation Core AI.
• Preuve de production limitée : Les performances, la consommation d'énergie, le temps de spécialisation à la première exécution, la précision et la compression nécessitent une validation à travers la matrice des tâches YOLO et des appareils pris en charge.
• Aucun pipeline NMS hérité établi : Core ML peut empaqueter une étape NMS pour les anciens modèles de détection YOLO. La première intégration Core AI devrait se concentrer sur les modèles YOLO26 sans NMS.

Link to this sectionQuel format Apple devrais-tu utiliser ?#

Utilise Core ML aujourd'hui lorsque tu as besoin de :

• Une commande d'exportation Ultralytics prise en charge
• Un déploiement sur les systèmes d'exploitation Apple actuels et anciens
• Une intégration avec le SDK iOS ou Flutter Ultralytics
• La gestion d'image via le framework Vision
• Un déploiement YOLO FP16 et INT8 testé
• Un NMS embarqué pour les modèles de détection hérités compatibles

Évalue Core AI à l'avenir lorsque tu peux exiger iOS 27 ou macOS 27 et que tu as besoin de :

• La toute nouvelle exécution de réseau de neurones sur appareil d'Apple
• Une spécialisation explicite et une gestion de cache
• Une exécution de modèle dynamique ou avec état avancée
• Des opérations Core AI ou des noyaux Metal personnalisés
• Un débogage de graphe Core AI détaillé et un profilage d'exécution

Core ML et Core AI devraient coexister pendant la transition des applications. La prise en charge de Core AI ne supprime pas immédiatement le besoin de Core ML car leurs cibles de déploiement et contrats d'application diffèrent.

Link to this sectionFeuille de route Ultralytics#

Ultralytics prévoit d'évaluer une cible d'exportation coreai dédiée au quatrième trimestre 2026, après la disponibilité générale d'iOS 27 et de macOS 27. Le travail initial devrait se concentrer sur les modèles YOLO26 sans NMS et le format .aimodel tout en conservant Core ML pour les cibles de déploiement Apple établies.

Avant que Core AI puisse devenir un format d'exportation pris en charge, l'intégration nécessite :

1. L'exportation et la validation numérique à travers la détection, la segmentation d'instance, la segmentation sémantique, la classification, la pose et les boîtes englobantes orientées.
2. Des tests de précision FP16 et quantifiés par rapport aux bases de référence PyTorch et Core ML.
3. Des tests de latence, de mémoire, de puissance et de spécialisation sur appareil.
4. Le chargement et le prétraitement de modèle Core AI dans le SDK iOS Ultralytics.
5. L'intégration Flutter et une stratégie de compatibilité pour les appareils inférieurs à iOS 27.
6. Des versions stables du framework Apple et des outils de conversion.

Suis la feuille de route Ultralytics et les notes de version pour connaître la disponibilité. Jusqu'à ce que la prise en charge soit publiée, les commandes ou les correctifs tiers qui produisent des fichiers .aimodel sont expérimentaux et en dehors de la matrice d'exportation prise en charge par Ultralytics.

Link to this sectionRessources supplémentaires#

• Présentation d'Apple Core AI
• Documentation du framework Core AI
• Extensions PyTorch pour Core AI
• Optimisation Core AI
• Dépôt de modèles Apple Core AI
• Intégration Ultralytics Core ML

Link to this sectionFAQ#

Link to this sectionEst-ce qu'Ultralytics peut exporter des modèles YOLO au format .aimodel aujourd'hui ?#

Non. Ultralytics prend actuellement en charge le format .mlpackage Core ML d'Apple via model.export(format="coreml"). Une cible d'exportation native Core AI est prévue mais ne fait pas encore partie de l'exportateur pris en charge.

Link to this sectionEst-ce que Core AI remplace Core ML ?#

Pas immédiatement. Core AI est la nouvelle voie d'Apple pour les réseaux neuronaux modernes, tandis que Core ML reste pris en charge et offre une couverture plus large du système d'exploitation, une intégration Vision et une prise en charge des modèles non neuronaux.

Link to this sectionPuis-je renommer un .mlpackage en .aimodel ?#

Non. Ils contiennent des représentations de modèles différentes et sont chargés par des frameworks différents. La conversion doit commencer à partir du modèle source via la chaîne d'outils Apple appropriée.

Link to this sectionL'intégration Ultralytics Core AI remplacera-t-elle format=coreml ?#

L'intégration initiale devrait coexister avec Core ML. Toute décision de remplacement future dépendra de l'adoption par le système d'exploitation, de la stabilité des outils, des performances et de la prise en charge en aval sur iOS et Flutter.