Esportazione di modelli YOLO26 in CoreML#

Apple integra un silicio AI dedicato — il Neural Engine — in ogni iPhone, iPad e Mac moderno, e CoreML è oggi il percorso supportato da Ultralytics per eseguire modelli su di esso. L'esportazione dei modelli Ultralytics YOLO26 in CoreML trasforma un checkpoint .pt addestrato in un .mlpackage nativo che esegue tutte e sette le attività YOLO sul dispositivo con bassa latenza, senza connessione di rete e senza che i dati lascino il dispositivo.

Che cos'è CoreML?#

CoreML (indicato come "Core ML" da Apple) è il framework di machine learning on-device di Apple. Carica i modelli nel moderno formato ML Program — il bundle .mlpackage prodotto dall'esportatore Ultralytics — e li distribuisce tra CPU, GPU e Apple Neural Engine (ANE) del dispositivo, la NPU dedicata presente in ogni chip Apple silicon. Poiché tutto viene eseguito localmente, l'inferenza funziona offline, non aggiunge latenza di rete e mantiene i dati dell'utente sul dispositivo.

CoreML si integra direttamente con il framework Vision di Apple, che gestisce il ridimensionamento e l'orientamento delle immagini prima dell'ingresso nel modello: è così che l'Ultralytics iOS SDK fornisce a YOLO i fotogrammi della fotocamera con un costo di preprocessing praticamente nullo.

Perché esportare YOLO26 in CoreML?#

• Velocità del Neural Engine: CoreML assegna le operazioni supportate al Neural Engine di Apple per un'inferenza on-device a bassa latenza. Consulta la tabella dei dispositivi fisici qui sotto e verifica le prestazioni della tua esportazione esatta sull'hardware di destinazione.
• Scegli l'output: Le esportazioni predefinite lasciano l'NMS alla tua applicazione. Usa nms=True per incorporare l'NMS o nms=False per la testa senza NMS di YOLO26.
• Privato e offline: tutti i calcoli restano sul dispositivo — nessun round-trip verso il cloud, nessuna chiave API, piena privacy dei dati.
• Una sola esportazione, tutto l'ecosistema: lo stesso .mlpackage funziona su iOS, iPadOS, macOS, watchOS, tvOS e visionOS e alimenta l'iOS SDK e il plugin Flutter ufficiali di Ultralytics.

Prestazioni misurate#

Inferenza end-to-end su immagini singole per gli asset CoreML YOLO26n INT8 standardizzati v8.3.0 su un iPhone 17 Pro con 12 GB di memoria e iOS 26.5.2. Il suo A19 Pro dispone di una CPU a 6 core (2 core Performance e 4 core Efficiency), una GPU a 6 core con Neural Accelerators e un Neural Engine a 16 core. Ogni cella mostra il tempo totale (preprocessing + inferenza + postprocessing, esclusa l'annotazione), con la suddivisione per fase riportata sotto. Su iOS, Vision esegue il ridimensionamento dell'input all'interno della richiesta di inferenza, quindi il preprocessing è riportato come 0 e il relativo costo è incluso nell'inferenza.

• Gli asset della release esatta v8.3.0 dichiarano input 224×224 per la classificazione e 640×640 per tutte le altre attività.
• I valori di Speed sono latenze burst su immagini singole: la media di 15 esecuzioni dopo 3 esecuzioni di riscaldamento su bus.jpg, misurata tramite la temporizzazione per fase dell'iOS SDK attraverso l'harness di benchmark del plugin Flutter in modalità profile (codice nativo ottimizzato). L'ordine CPU/acceleratore è stato alternato tra le attività in un'unica sequenza. Le righe CPU richiedono Core ML .cpuOnly; le righe CPU + ANE preferita richiedono .cpuAndNeuralEngine, mentre il posizionamento finale delle operazioni è controllato da Core ML. Il funzionamento prolungato della fotocamera in tempo reale raggiunge valori più elevati perché include la pipeline di acquisizione e ridimensionamento, oltre alla stabilizzazione termica. Una precedente scansione della fotocamera, eseguita prima della standardizzazione, ha misurato 11.3 ms/frame per il rilevamento YOLO26n e 16.5 ms/frame per YOLO26n Depth sullo stesso dispositivo: consulta la documentazione sulle prestazioni dell'iOS SDK per il profiling a regime.
• Confronta i risultati CPU/GPU Android nell'integrazione LiteRT e i risultati NPU Snapdragon nell'integrazione Qualcomm QNN.

Attività supportate#

L'esportazione CoreML supporta tutte e sette le attività Ultralytics. La segmentazione semantica e la stima della profondità sono disponibili solo con YOLO26, l'unica famiglia che distribuisce queste head.

Esportazione dei modelli YOLO26 in CoreML#

Installazione#

Per installare il pacchetto richiesto, esegui:

# Install the required package for YOLO26
pip install ultralytics

Il convertitore coremltools viene installato automaticamente alla prima esportazione. L'esportazione viene eseguita su macOS o Linux x86; per istruzioni dettagliate e best practice, consulta la nostra guida all'installazione e la guida ai problemi comuni.

Utilizzo#

Il formato CoreML supporta le modalità Export, Predict e Validate. L'inferenza e la validazione con CoreML funzionano solo su macOS. Esporta il modello, quindi carica il modello esportato per eseguire l'inferenza o validarne l'accuratezza.

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")

Argomenti di esportazione#

Per ulteriori dettagli sul processo di esportazione, visita la pagina della documentazione Ultralytics sull'esportazione.

Utilizzo del Neural Engine come destinazione#

CoreML sceglie l'hardware tramite MLModelConfiguration.computeUnits. L'Ultralytics iOS SDK usa per impostazione predefinita .cpuAndNeuralEngine su iOS 16+, invece di .all: in un'app con fotocamera in tempo reale, la GPU è già impegnata nel compositing dell'anteprima e delle sovrimpressioni, quindi escluderla evita contesa e variazioni del frame time mentre l'ANE esegue il lavoro pesante. Imposta .cpuOnly solo per i test di compatibilità: la tabella sopra mostra il relativo costo.

L'esecuzione di un modello CoreML da Python su un host Mac (tramite Ultralytics o coremltools) segue la stessa regola: Ultralytics carica con ComputeUnit.CPU_AND_NE (macOS 13+, con fallback a CPU_ONLY sulle versioni precedenti di macOS), mantenendo l'inferenza sul Neural Engine (circa 3× più veloce della CPU). Questo evita anche una limitazione attuale dell'host macOS, per cui il valore predefinito ComputeUnit.ALL / CPU_AND_GPU — che aggiunge il percorso di compilazione GPU/MPSGraph — interrompe il processo con un'asserzione Error: MLIR pass manager failed su coremltools 9.x.

Distribuzione dei modelli YOLO26 CoreML esportati#

Il percorso più rapido è l'Ultralytics YOLO iOS SDK ufficiale, lo stesso pacchetto Swift che alimenta l'app Ultralytics per iOS e il plugin Flutter. Risolve automaticamente i nomi ufficiali dei modelli, scarica e memorizza nella cache .mlpackage e restituisce risultati completamente decodificati:

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
    }
}

Per le app con fotocamera, inserisci YOLOView dell'SDK per ottenere inferenza in tempo reale con sovrimpressioni native oppure usa il plugin Flutter per app multipiattaforma che condividono una base di codice con Android.

Integrare autonomamente un .mlpackage grezzo è altrettanto semplice con lo stack Apple: caricalo con MLModel, racchiudilo in un VNCoreMLRequest e fornisci le immagini tramite VNImageRequestHandler. Queste risorse illustrano i dettagli:

• Integrazione di un modello Core ML nella tua app: la guida di Apple per includere e chiamare un modello CoreML.
• CoreML Tools: riferimento per conversione, quantizzazione e ottimizzazione della toolchain coremltools alla base di questa esportazione.
• Report sulle prestazioni di Core ML in Xcode: profiling del posizionamento per livello sul dispositivo e della latenza per il tuo modello e dispositivo specifici.

Distribuisci il modello incorporandolo nel bundle dell'app (disponibilità immediata, ideale per modelli nano/piccoli) oppure scaricandolo al primo avvio e memorizzandolo nella cache (binario più piccolo, aggiornamenti semplici del modello). Le app ufficiali combinano entrambi gli approcci: i modelli nano predefiniti sono inclusi per l'uso immediato, mentre le varianti più grandi vengono scaricate su richiesta e memorizzate localmente nella cache.

Flusso di lavoro consigliato#

1. Addestra il tuo modello con la modalità Train di Ultralytics oppure parti dai pesi ufficiali YOLO26
2. Esporta con model.export(format="coreml", quantize=8, imgsz=640) su macOS o Linux x86 (imgsz=224 per la classificazione)
3. Verifica l'accuratezza con model.val() su un Mac e crea un profilo con un report sulle prestazioni Core ML di Xcode sul dispositivo di destinazione
4. Distribuisci con l'iOS SDK, il plugin Flutter o la tua integrazione Vision, scegliendo come destinazione .cpuAndNeuralEngine

Riepilogo#

In questa guida hai imparato a esportare i modelli Ultralytics YOLO26 nel formato .mlpackage di CoreML, a quantizzarli per l'Apple Neural Engine e a distribuirli con latenze di pochi millisecondi, tramite l'iOS SDK e il plugin Flutter ufficiali oppure la tua integrazione Vision. Per altre destinazioni di distribuzione, consulta la pagina della guida alle integrazioni e confronta i formati con la modalità Benchmark.

FAQ#