Esportazione CoreML per i modelli YOLO26#

Apple integra il suo chip AI dedicato, il Neural Engine, in ogni iPhone, iPad e Mac moderno; oggi CoreML è il percorso supportato da Ultralytics per distribuire modelli su questo chip. L'esportazione dei modelli Ultralytics YOLO26 in CoreML converte un checkpoint .pt addestrato in un .mlpackage nativo che esegue su dispositivo tutte e sette le attività YOLO con bassa latenza, senza connessione di rete né trasmissione di dati all'esterno del dispositivo.

Che cos'è CoreML?#

CoreML (con la grafia "Core ML" adottata da Apple) è il framework di Apple per l'apprendimento automatico sul dispositivo. Carica modelli nel moderno formato ML Program — il bundle .mlpackage prodotto dall'esportatore di Ultralytics — e ne pianifica l'esecuzione tra i componenti del dispositivo: CPU, GPU e motore neurale Apple (ANE), l'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 tuoi dati sul dispositivo.

CoreML si integra direttamente con il framework Vision di Apple, che gestisce ridimensionamento e orientamento delle immagini prima che arrivino al modello: è così che l'SDK Ultralytics per iOS passa i fotogrammi della fotocamera a YOLO con un costo di preelaborazione praticamente nullo.

Perché esportare YOLO26 in CoreML?#

• Velocità del Neural Engine: CoreML pianifica le operazioni supportate sul Neural Engine di Apple per un'inferenza sul dispositivo a bassa latenza. Consulta la tabella dei dispositivi fisici qui sotto e confronta le prestazioni della tua esportazione esatta sull'hardware di destinazione.
• Scegli l'output: le esportazioni predefinite lasciano l'NMS alla tua app. Usa nms=True per integrare l'NMS oppure nms=False per la head senza NMS di YOLO26.
• Privato e offline: tutti i calcoli restano sul dispositivo: nessun passaggio al cloud, nessuna chiave API, piena privacy dei dati.
• Una sola esportazione per tutto l'ecosistema: lo stesso .mlpackage funziona su iOS, iPadOS, macOS, watchOS, tvOS e visionOS, e alimenta l'SDK Ultralytics per iOS ufficiale e il plugin Flutter.

Prestazioni misurate#

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

• Gli asset di rilascio esatti di v8.3.0 dichiarano input da 224×224 per la classificazione e da 640×640 per ogni altro task.
• I valori di velocità sono latenze in raffica su singola immagine: la media di 15 esecuzioni dopo 3 esecuzioni di riscaldamento su bus.jpg, misurata con i tempi per fase dell'SDK iOS tramite l'infrastruttura di benchmark del plugin Flutter in modalità profile (codice nativo ottimizzato). L'ordine CPU/acceleratore è stato alternato tra i task in un'unica sequenza. Le righe CPU richiedono Core ML .cpuOnly; le righe CPU + ANE preferito richiedono .cpuAndNeuralEngine, mentre Core ML controlla la collocazione finale delle operazioni. Il funzionamento prolungato della fotocamera in tempo reale è più lento perché include la pipeline di acquisizione e ridimensionamento, oltre alla stabilizzazione termica. Una misurazione storica della fotocamera, precedente alla standardizzazione, ha rilevato 11.3 ms per fotogramma per il rilevamento YOLO26n e 16.5 ms per fotogramma per YOLO26n Depth sullo stesso dispositivo: consulta la documentazione sulle prestazioni dell'SDK iOS per la profilazione a regime.
• Confronta i risultati di CPU/GPU Android nell'integrazione LiteRT e i risultati dell'NPU Snapdragon nell'integrazione Qualcomm QNN.

Attività supportate#

L'esportazione CoreML supporta tutti e sette i task di Ultralytics. La segmentazione semantica e la stima della profondità sono disponibili solo con YOLO26, l'unica famiglia che include 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 guida all'installazione e la guida ai problemi comuni.

Utilizzo#

Il formato CoreML supporta le modalità Esportazione, Previsione e Validazione. L'inferenza e la validazione con CoreML funzionano solo su macOS. Esporta il modello, quindi carica il modello esportato per eseguire l'inferenza o convalidarne l'accuratezza.

from ultralytics import YOLO

# Carica un modello YOLO26
model = YOLO("yolo26n.pt")

# Esporta in CoreML con quantizzazione INT8 dei pesi, in linea con i modelli dell'app ufficiale
model.export(format="coreml", quantize=8, imgsz=640)  # usa imgsz=224 per la classificazione

from ultralytics import YOLO

# Carica il modello CoreML esportato (macOS)
model = YOLO("yolo26n.mlpackage")

# Esegui l'inferenza
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Carica il modello CoreML esportato (macOS)
model = YOLO("yolo26n.mlpackage")

# # Convalida l'accuratezza sul dataset COCO8
metrics = model.val(data="coco8.yaml")

Argomenti di esportazione#

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

Uso del Neural Engine#

CoreML sceglie l'hardware tramite MLModelConfiguration.computeUnits. L'SDK Ultralytics per iOS usa per impostazione predefinita .cpuAndNeuralEngine su iOS 16+, anziché .all: in un'app per fotocamera in tempo reale, la GPU è già impegnata a comporre l'anteprima e le sovrapposizioni, quindi escluderla evita contese e oscillazioni nei tempi dei fotogrammi, mentre l'ANE svolge il lavoro più pesante. Imposta .cpuOnly solo per i test di compatibilità: la tabella qui sopra mostra il 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 ripiego su CPU_ONLY nelle versioni precedenti di macOS), mantenendo l'inferenza sul Neural Engine (~3× più veloce della CPU). Questo evita anche un'attuale limitazione degli host macOS per cui l'impostazione predefinita 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'SDK Ultralytics YOLO ufficiale per iOS, lo stesso pacchetto Swift alla base dell'app Ultralytics per iOS e del plugin Flutter. Risolve automaticamente i nomi dei modelli ufficiali, 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, integra YOLOView dell'SDK per l'inferenza in tempo reale con sovrapposizioni native, oppure usa il plugin Flutter per app multipiattaforma che condividono la stessa 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 passa le immagini tramite VNImageRequestHandler. Queste risorse illustrano i dettagli:

• Integrare un modello Core ML nella tua app: la guida di Apple per includere e richiamare un modello CoreML.
• CoreML Tools: riferimento per la conversione, la quantizzazione e l'ottimizzazione della toolchain coremltools alla base di questa esportazione.
• Report sulle prestazioni Core ML di Xcode: profilazione della latenza e della collocazione sul dispositivo per ogni layer del tuo modello e dispositivo specifico.

Distribuisci il modello includendolo nel bundle dell'app (disponibilità immediata, ideale per i 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 nella cache locale.

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'SDK per iOS, il plugin Flutter o la tua integrazione Vision, puntando a .cpuAndNeuralEngine

Riepilogo#

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

Domande frequenti#