YOLO26モデルのCoreMLエクスポート#

Appleは、Neural Engineという専用のAIシリコンを最新のiPhone、iPad、Macすべてに搭載しており、CoreMLは現在、モデルをNeural EngineにデプロイするためにUltralyticsがサポートしている方法です。Ultralytics YOLO26モデルをCoreMLにエクスポートすると、学習済みの.ptチェックポイントがネイティブな.mlpackageに変換されます。ネットワーク接続もデバイス外へのデータ送信もなく、7つすべてのYOLOタスクを低レイテンシでオンデバイス実行できます。

CoreMLとは何ですか？#

CoreML（Appleの表記では「Core ML」）は、Appleのオンデバイス機械学習フレームワークです。最新のML Programフォーマット（Ultralyticsエクスポーターが生成する.mlpackageバンドル）でモデルを読み込み、デバイスのCPU、GPU、Apple Neural Engine（ANE）（すべてのAppleシリコンチップに搭載された専用NPU）に処理を割り当てます。すべてローカルで実行されるため、推論はオフラインで動作し、ネットワーク遅延が発生せず、ユーザーデータをデバイス内に保持できます。

CoreMLはAppleのVisionフレームワークと直接連携し、モデルに入力する際の画像のスケーリングと向きを処理します。これにより、Ultralytics iOS SDKは実質的に前処理コストをかけずに、カメラフレームをYOLOに渡せます。

YOLO26をCoreMLにエクスポートする理由#

• Neural Engineの速度：CoreMLは、対応する演算をAppleのNeural Engineに割り当て、低レイテンシのオンデバイス推論を実現します。以下の実機表を確認し、対象ハードウェアで実際のエクスポートをベンチマークしてください。
• 出力を選択：デフォルトのエクスポートでは、NMS処理をアプリ側に任せます。NMSを組み込むにはnms=True、YOLO26のNMSフリーヘッドを使用するにはnms=Falseを指定します。
• プライベートかつオフライン：すべての計算はデバイス上で完結するため、クラウドとの通信もAPIキーも不要で、データプライバシーを完全に確保できます。
• 1回のエクスポートでエコシステム全体に対応：同じ.mlpackageはiOS、iPadOS、macOS、watchOS、tvOS、visionOSで動作し、公式UltralyticsのiOS SDKとFlutterプラグインを支えます。

実測パフォーマンス#

標準化されたv8.3.0 YOLO26n INT8 CoreMLアセットを使用した、単一画像のエンドツーエンド推論です。メモリ12 GB、iOS 26.5.2を搭載したiPhone 17 Proで測定しました。A19 Proは6コアCPU（高性能コア2基と高効率コア4基）、Neural Accelerators搭載の6コアGPU、16コアNeural Engineを備えています。各セルには合計時間（前処理＋推論＋後処理、アノテーションを除く）と、その下に各ステージの内訳を示しています。iOSではVisionが推論リクエスト内で入力スケーリングを行うため、前処理時間は0として報告され、そのコストは推論時間に含まれます。

• 標準化対象のv8.3.0リリースアセットでは、分類の入力サイズが224×224、その他すべてのタスクでは640×640と指定されています。
• 速度の値は単一画像の連続実行レイテンシです。bus.jpg上でウォームアップ3回後に15回実行した平均値で、iOS SDKのステージ別タイミングを、プロファイルモード（最適化されたネイティブコード）のFlutterプラグインベンチマークハーネスで測定しました。CPUとアクセラレーターの順序は、1回の逐次スイープ内でタスクごとに交互に切り替えました。CPUの行ではCore ML .cpuOnlyを要求し、CPU + ANE優先の行では.cpuAndNeuralEngineを要求します。最終的な演算の割り当てはCore MLが制御します。持続的なリアルタイムカメラ動作では、キャプチャとスケーリングのパイプラインおよび熱状態の安定化が含まれるため、時間が長くなります。標準化前の過去のカメラ測定では、同じデバイスでYOLO26n検出が11.3 ms/フレーム、YOLO26n Depthが16.5 ms/フレームでした。定常状態のプロファイリングについては、iOS SDKのパフォーマンスドキュメントを参照してください。
• LiteRTインテグレーションのAndroid CPU/GPU結果と、Qualcomm QNNインテグレーションのSnapdragon NPU結果を比較してください。

対応タスク#

CoreMLエクスポートは、Ultralyticsの7つすべてのタスクに対応しています。セマンティックセグメンテーションと深度推定は、これらのヘッドを備える唯一のファミリーであるYOLO26でのみ利用できます。

YOLO26モデルをCoreMLにエクスポートする#

インストール#

必要なパッケージをインストールするには、次を実行します。

# Install the required package for YOLO26
pip install ultralytics

coremltoolsコンバーターは、初回エクスポート時に自動的にインストールされます。エクスポートはmacOSまたはx86 Linuxで実行できます。詳しい手順とベストプラクティスについては、インストールガイドと一般的な問題のガイドを確認してください。

使用方法#

CoreMLフォーマットは、エクスポート、予測、検証の各モードに対応しています。CoreMLによる推論と検証はmacOSでのみ実行できます。モデルをエクスポートした後、エクスポート済みモデルを読み込んで推論を実行するか、精度を検証してください。

from ultralytics import YOLO

# YOLO26モデルを読み込みます
model = YOLO("yolo26n.pt")

# INT8重み量子化を適用してCoreMLにエクスポートし、公式アプリモデルと一致させます
model.export(format="coreml", quantize=8, imgsz=640)  # 分類ではimgsz=224を使用します

from ultralytics import YOLO

# エクスポート済みのCoreMLモデルを読み込みます（macOS）
model = YOLO("yolo26n.mlpackage")

# 推論を実行
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# エクスポート済みのCoreMLモデルを読み込みます（macOS）
model = YOLO("yolo26n.mlpackage")

# COCO8データセットで精度を検証します
metrics = model.val(data="coco8.yaml")

エクスポート引数#

エクスポートプロセスの詳細については、Ultralyticsのエクスポートに関するドキュメントページをご覧ください。

Neural Engineをターゲットにする#

CoreMLはMLModelConfiguration.computeUnitsを使用してハードウェアを選択します。Ultralytics iOS SDKは、.allではなく、iOS 16以降でデフォルトの.cpuAndNeuralEngineを使用します。リアルタイムカメラアプリでは、GPUはプレビューとオーバーレイの合成ですでに負荷がかかっているため、GPUを除外すると競合やフレーム時間の揺らぎを避けられ、重い処理はANEが担います。互換性テストでのみ.cpuOnlyを固定してください。上の表でそのコストを確認できます。

MacホストからPythonでCoreMLモデルを実行する場合（Ultralyticsまたはcoremltools経由）も、同じルールに従います。UltralyticsはComputeUnit.CPU_AND_NEで読み込みます（macOS 13以降。古いmacOSではCPU_ONLYにフォールバック）。これにより推論はNeural Engine上で実行され、CPUより約3倍高速になります。また、GPU/MPSGraphのコンパイルパスを追加するデフォルトのComputeUnit.ALL / CPU_AND_GPUが、coremltools 9.x上でError: MLIR pass manager failedアサーションによりプロセスを異常終了させるという、現在のmacOSホストの制限も回避できます。

エクスポート済みYOLO26 CoreMLモデルをデプロイする#

最も簡単なのは、公式のUltralytics YOLO iOS SDKです。これはUltralytics iOSアプリとFlutterプラグインを支えるSwiftパッケージと同じものです。公式モデル名を自動的に解決し、.mlpackageをダウンロードしてキャッシュし、デコード済みの結果を返します。

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
    }
}

カメラアプリでは、リアルタイム推論とネイティブオーバーレイを利用するためにSDKのYOLOViewを組み込むか、Androidとコードベースを共有するクロスプラットフォームアプリにはFlutterプラグインを使用します。

Appleのスタックを使って独自に生の.mlpackageを統合するのも簡単です。MLModelで読み込み、VNCoreMLRequestでラップして、VNImageRequestHandler経由で画像を渡します。詳しくは以下の資料をご覧ください。

• Core MLモデルをアプリに統合する：CoreMLモデルのバンドルと呼び出しに関するAppleのガイドです。
• CoreML Tools：このエクスポートを支えるcoremltoolsツールチェーンの変換、量子化、最適化に関するリファレンスです。
• Xcode Core MLパフォーマンスレポート：対象モデルとデバイスで、レイヤーごとのデバイス割り当てとレイテンシをプロファイリングできます。

モデルはアプリバンドルに埋め込む（すぐに利用でき、小型モデルに最適）か、初回起動時にダウンロードしてキャッシュする（バイナリを小さくでき、モデルを簡単に更新可能）方法で配布できます。公式アプリでは両方の方法を組み合わせています。デフォルトのnanoモデルはすぐに使えるよう同梱し、大型モデルは必要に応じてダウンロードしてローカルにキャッシュします。

推奨ワークフロー#

1. UltralyticsのTrainモードでモデルをトレーニングするか、公式YOLO26重みから開始します
2. macOSまたはx86 Linuxでmodel.export(format="coreml", quantize=8, imgsz=640)を使用してエクスポートします（分類ではimgsz=224を使用します）
3. Mac上でmodel.val()を使用して精度を検証し、対象デバイスでXcode Core MLパフォーマンスレポートを使ってプロファイリングします
4. iOS SDK、Flutterプラグイン、または独自のVisionインテグレーションを使用して、.cpuAndNeuralEngineをターゲットにデプロイします

概要#

このガイドでは、Ultralytics YOLO26モデルをCoreMLの.mlpackageフォーマットにエクスポートし、Apple Neural Engine向けに量子化して、公式iOS SDKとFlutterプラグイン、または独自のVisionインテグレーションを通じて、数ミリ秒台のレイテンシでデプロイする方法を説明しました。他のデプロイ先については、インテグレーションガイドページを参照し、Benchmarkモードでフォーマットを比較してください。

よくある質問#