YOLO26モデルのCoreMLへのエクスポート#

Appleは現行のすべてのiPhone、iPad、Macに専用AIシリコンであるNeural Engineを搭載しており、現在、CoreMLはモデルをそこにデプロイするためのUltralytics公式サポートパスです。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。これにより、7つすべてのYOLOタスクを低レイテンシでデバイス上で実行でき、ネットワーク接続やデータのデバイス外送信も不要です。

CoreMLとは何ですか？#

CoreML（Appleによる表記は「Core ML」）は、Appleのオンデバイスmachine learningフレームワークです。最新のML Program形式、つまりUltralyticsエクスポーターが生成する.mlpackageバンドルのモデルを読み込み、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）に処理を振り分けます。すべてがローカルで実行されるため、推論はオフラインで動作し、ネットワークレイテンシが発生せず、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 frameworkと直接統合されています。Vision frameworkはモデルへの入力時に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なしでカメラフレームをYOLOに入力できます。

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で実行するようスケジュールし、低レイテンシのオンデバイス推論を実現します。下記の実機テーブルを確認し、対象ハードウェアで実際に使用するエクスポートをベンチマークしてください。
• 出力の選択: デフォルトのエクスポートでは、NMSの処理はアプリケーション側に委ねられます。NMSを埋め込むには nms=True を使用し、YOLO26 の NMS フリー ヘッドには nms=False を使用してください。
• プライベートかつオフライン: すべての計算がデバイス内に留まるため、クラウドとの往復、APIキーが不要で、完全なdata privacyを実現します。
• 1回のエクスポートでエコシステム全体に対応: 同じ.mlpackageをiOS、iPadOS、macOS、watchOS、tvOS、visionOSで実行でき、公式のUltralytics iOS SDKとFlutter plugin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アセットのエンドツーエンド単一画像推論を、メモリ12 GB、iOS 26.5.2のiPhone 17 Proで測定しました。A19 Proは、6コアCPU（Performanceコア2個、Efficiencyコア4個）、Neural Accelerators搭載の6コアGPU、16コアNeural Engineを備えています。各セルは合計時間（前処理 + 推論 + 後処理、アノテーションを除く）を示し、その下にステージ別の内訳を示します。iOSでは、Visionが推論リクエスト内で入力スケーリングを実行するため、前処理は0として報告され、そのコストは推論に含まれます。

• 正確なv8.3.0リリースアセットでは、classificationの入力は224×224、その他すべてのタスクの入力は640×640と定義されています。
• Speedの値は単一画像のバーストレイテンシです。bus.jpgでウォームアップ3回後に15回実行した平均値であり、プロファイルモード（最適化されたネイティブコード）で、iOS SDKのステージ別タイミングを通じて、Flutter pluginのベンチマークハーネスで測定しています。CPU/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変更しました。CPU行ではCore ML .cpuOnlyを要求し、CPU + ANE優先行では.cpuAndNeuralEngineを要求します。最終的な演算配置は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、および熱的な安定化が含まれるため、値は高くなります。標準化前の過去のカメラスイープでは、同じデバイス上でYOLO26n detectが11.3 ms/frame、YOLO26n Depthが16.5 ms/frameでした。定常状態のプロファイリングについては、iOS SDK performance docをご覧ください。
• AndroidのCPU/GPU結果はLiteRT integrationで、Snapdragon NPUの結果はQualcomm QNN integrationで比較してください。

サポートされるタスク#

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。Semantic segmentationとdepth estimationはYOLO26でのみ利用できます。これらのヘッドを提供する唯一のファミリーがYOLO26です。

YOLO26モデルのCoreMLへのエクスポート#

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、初回のエクスポート時に自動で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、installation guideとCommon Issues guideをご確認ください。

使用方法#

CoreML形式は、Export、Predict、Validateモードに対応しています。CoreMLを使用した推論と検証はmacOSでのみ実行できます。モデルをエクスポートしてから、エクスポート済みモデルを読み込み、推論を実行するか精度を検証してください。

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")

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、エクスポートに関するUltralyticsドキュメントページをご覧ください。

Neural Engineを対象にする#

CoreMLはMLModelConfiguration.computeUnitsを介してハードウェアを選択します。Ultralytics iOS SDKは、iOS 16以降では.allではなく、デフォルトで.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使用中のため、GPUを除外すると競合やフレーム時間の揺らぎを避けながら、ANEが主要な処理を担えます。互換性テストの場合に限り.cpuOnlyを固定してください。コストについては上記のテーブルをご覧ください。

MacホストからPythonでCoreMLモデルを実行する場合（Ultralytics経由またはcoremltools経由）も同じルールに従います。UltralyticsはComputeUnit.CPU_AND_NE（macOS 13以降、古いmacOSではCPU_ONLYにフォールバック）で読み込み、推論をNeural Engine上で実行します（CPUより約3倍高速です）。これにより、デフォルトのComputeUnit.ALL / CPU_AND_GPU（GPU/MPSGraphのコンパイルパスを追加）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中止する現在のmacOSホスト制限も回避できます。

エクスポート済みYOLO26 CoreMLモデルのデプロイ#

最も高速な方法は、公式のUltralytics YOLO iOS SDKです。これはUltralytics iOSアプリとFlutter pluginを支える同じSwiftパッケージです。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、完全にデコードされた結果を返します。

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、SDKのYOLOViewを組み込むことでネイティブオーバーレイ付きのリアルタイム推論を実行できます。または、Androidと1つの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 pluginを使用してください。

Appleのスタックを使用すれば、raw .mlpackageを自分で統合することも簡単です。MLModelで読み込み、VNCoreMLRequestでラップし、VNImageRequestHandlerを通じて画像を入力します。詳細については、次のリソースをご覧ください。

• Core ML Model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、最適化リファレンスです。
• Xcode Core ML Performance Reports: 使用するモデルとデバイスにおける、レイヤーごとのデバイス配置とレイテンシのプロファイリングです。

モデルはアプリバンドルに組み込んで（すぐに利用可能で、nano/smallモデルに最適）出荷するか、初回実行時にダウンロードしてキャッシュできます（バイナリを小さくでき、モデルの更新も容易です）。公式アプリは両方の方法を組み合わせています。デフォルトのnanoモデルはすぐに使用できるようバンドルし、大きなバリアントはオンデマンドで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 modeでモデルをTrainするか、公式YOLO26 weights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Exportします（classificationにはimgsz=224）。
3. Macでmodel.val()を使用して精度をVerifyし、対象デバイス上のXcode Core ML Performance Reportでプロファイリングします。
4. iOS SDK、Flutter plugin、または独自のVision統合を使用してDeployし、.cpuAndNeuralEngineを対象にします。

まとめ#

このガイドでは、Ultralytics YOLO26モデルをCoreMLの.mlpackage形式にエクスポートし、Apple Neural Engine向けに量子化して、公式iOS SDKとFlutter plugin、または独自のVision統合を通じて、1桁ミリ秒のレイテンシでデプロイする方法を学びました。その他のデプロイ先については、integration guide pageを参照し、Benchmark modeで形式を比較してください。

FAQ#