YOLO26モデルのCoreMLエクスポート

iPhoneやMacなどのAppleデバイスにコンピュータビジョンモデルをデプロイするには、シームレスなパフォーマンスを保証する形式が必要です。

見る: Appleデバイスで2倍高速な推論を実現するためにUltralytics YOLO26をCoreMLにエクスポートする方法 🚀

CoreMLエクスポート形式を使用すると、Ultralytics YOLO26モデルをiOSおよびmacOSアプリケーションでの効率的なobject detectionのために最適化できます。このガイドでは、モデルをCoreML形式に変換する手順を説明し、Appleデバイスでのモデルのパフォーマンスを向上させます。

CoreML

CoreMLは、Accelerate、BNNS、およびMetal Performance Shadersを基盤とするAppleの基盤となる機械学習フレームワークです。iOSアプリケーションにシームレスに統合され、画像分析、自然言語処理、音声テキスト変換、サウンド分析などのタスクをサポートする機械学習モデル形式を提供します。

Core MLフレームワークはオンデバイスコンピューティングを使用するため、アプリケーションはネットワーク接続やAPI呼び出しを必要とせずにCore MLを活用できます。これにより、モデルの推論はユーザーのデバイス上でローカルに実行できます。

CoreMLモデルの主な機能

AppleのCoreMLフレームワークは、オンデバイス機械学習のための堅牢な機能を提供します。CoreMLを開発者にとって強力なツールとする主な機能は次のとおりです。

• 包括的なモデルサポート: TensorFlow、PyTorch、scikit-learn、XGBoost、LibSVMなどの一般的なフレームワークのモデルを変換して実行します。

• On-device Machine Learning: ネットワーク接続を必要とせずに、ユーザーのデバイス上で直接モデルを実行することにより、データのプライバシーと迅速な処理を保証します。

• パフォーマンスと最適化: デバイスのCPU、GPU、およびNeural Engineを使用して、最小限の電力とメモリ使用量で最適なパフォーマンスを実現します。精度を維持しながら、モデルの圧縮と最適化のためのツールを提供します。

• 統合の容易さ: さまざまなモデルタイプに対応する統一された形式と、アプリへのシームレスな統合のためのユーザーフレンドリーなAPIを提供します。VisionやNatural Languageなどのフレームワークを通じて、ドメイン固有のタスクをサポートします。

• 高度な機能: パーソナライズされた体験のためのオンデバイス学習機能、インタラクティブなML体験のための非同期予測、モデル検査および検証ツールが含まれています。

CoreML のデプロイメントオプション

YOLO26モデルをCoreML形式にエクスポートするためのコードを見る前に、CoreMLモデルが通常どこで使用されるかを理解しましょう。

CoreML は、機械学習モデルにさまざまなデプロイメントオプションを提供します。以下を含みます。

• オンデバイスデプロイメント: この方法は、CoreMLモデルをiOSアプリに直接統合します。低レイテンシー、プライバシーの強化（データがデバイスに残るため）、およびオフライン機能の確保に特に有利です。ただし、このアプローチは、特に大規模で複雑なモデルの場合、デバイスのハードウェア機能によって制限される可能性があり、以下の2つの方法で実行できます。

  • 組み込みモデル: これらのモデルはアプリのバンドルに含まれており、すぐに利用できます。頻繁な更新を必要としない小規模なモデルに最適です。

  • ダウンロードされたモデル: これらのモデルは、必要に応じてサーバーから取得されます。このアプローチは、大規模なモデルや定期的な更新が必要なモデルに適しています。これにより、アプリのバンドルサイズを小さく保つことができます。

• クラウドベースのデプロイメント: CoreMLモデルはサーバーでホストされ、APIリクエストを介してiOSアプリからアクセスされます。このスケーラブルで柔軟なオプションにより、アプリの改訂なしで簡単なモデル更新が可能です。複雑なモデルや、定期的な更新が必要な大規模アプリに最適です。ただし、インターネット接続が必要であり、レイテンシーとセキュリティの問題が発生する可能性があります。

YOLO26モデルのCoreMLへのエクスポート

YOLO26をCoreMLにエクスポートすることで、Appleエコシステム内で最適化されたオンデバイス機械学習パフォーマンスが実現され、効率性、セキュリティ、およびiOS、macOS、watchOS、tvOSプラットフォームとのシームレスな統合の面でメリットが得られます。

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、以下を実行します:

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスに関する詳細な手順とベストプラクティスについては、当社のYOLO26インストールガイドを確認してください。YOLO26に必要なパッケージをインストールする際に何らかの問題に遭遇した場合は、解決策とヒントについては、当社の一般的な問題ガイドを参照してください。

使用法

使用方法の説明に入る前に、Ultralyticsが提供するYOLO26モデルのラインナップを必ずご確認ください。これにより、プロジェクトの要件に最も適したモデルを選択できます。

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to CoreML format
model.export(format="coreml")  # creates 'yolo26n.mlpackage'

# Load the exported CoreML model
coreml_model = YOLO("yolo26n.mlpackage")

# Run inference
results = coreml_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO26n PyTorch model to CoreML format
yolo export model=yolo26n.pt format=coreml # creates 'yolo26n.mlpackage'

# Run inference with the exported model
yolo predict model=yolo26n.mlpackage source='https://ultralytics.com/images/bus.jpg'

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。

エクスポートされたYOLO26 CoreMLモデルのデプロイ

Ultralytics YOLO26モデルをCoreMLに正常にエクスポートした後、次の重要な段階はこれらのモデルを効果的にデプロイすることです。さまざまな環境でのCoreMLモデルのデプロイに関する詳細なガイダンスについては、以下のリソースをご覧ください。

• CoreML Tools: このガイドには、TensorFlow、PyTorch、およびその他のライブラリからCore MLにモデルを変換するための手順と例が含まれています。

• MLとVision: CoreMLモデルの使用と実装のさまざまな側面を網羅した包括的なビデオ集です。

• Core MLモデルをアプリに統合する: Core MLモデルをiOSアプリケーションに統合するための包括的なガイド。モデルの準備から、さまざまな機能のためにアプリに実装するまでの手順を詳細に説明します。

概要

このガイドでは、Ultralytics YOLO26モデルをCoreML形式にエクスポートする方法について説明しました。このガイドに示されている手順に従うことで、YOLO26モデルをCoreMLにエクスポートする際に、最大限の互換性とパフォーマンスを確保できます。

使用方法の詳細については、CoreMLの公式ドキュメントをご覧ください。

また、他のUltralytics YOLO26統合について詳しく知りたい場合は、当社の統合ガイドページをご覧ください。そこには多くの貴重なリソースと洞察があります。

よくある質問

YOLO26モデルをCoreML形式にエクスポートするにはどうすればよいですか？

エクスポートするには Ultralytics YOLO26 モデルをCoreML形式に変換するには、まず以下があることを確認する必要があります。 ultralytics パッケージがインストールされました。インストールするには、以下を使用します：

pip install ultralytics

次に、以下のpythonまたはCLIコマンドを使用して、モデルをエクスポートできます。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="coreml")

yolo export model=yolo26n.pt format=coreml

詳細については、ドキュメントの「YOLO26モデルのCoreMLへのエクスポート」セクションを参照してください。

YOLO26モデルのデプロイにCoreMLを使用する利点は何ですか？

CoreMLは、AppleデバイスにUltralytics YOLO26モデルをデプロイする上で数多くの利点を提供します。

• オンデバイス処理: デバイス上でのローカルなモデル推論を可能にし、データプライバシーを確保し、レイテンシを最小限に抑えます。
• パフォーマンスの最適化: デバイスのCPU、GPU、Neural Engineの潜在能力を最大限に活用し、速度と効率の両方を最適化します。
• 統合の容易さ: iOS、macOS、watchOS、tvOSを含む、Appleの ecosystem とのシームレスな統合体験を提供します。
• Versatility（汎用性）: CoreMLフレームワークを使用して、画像解析、音声処理、自然言語処理など、幅広い機械学習タスクをサポートします。

CoreMLモデルをiOSアプリに統合する方法の詳細については、Integrating a Core ML Model into Your Appのガイドを参照してください。

CoreMLにエクスポートされたYOLO26モデルのデプロイオプションは何ですか？

YOLO26モデルをCoreML形式にエクスポートすると、複数のデプロイオプションが利用可能になります。

1. On-Device Deployment: 強化されたプライバシーとオフライン機能のために、CoreMLモデルをアプリに直接統合します。これは、次の方法で実行できます。

   • 組み込みモデル: アプリバンドルに含まれており、すぐにアクセスできます。
   • ダウンロードされたモデル: 必要に応じてサーバーから取得され、アプリのバンドルサイズを小さく保ちます。

2. クラウドベースのデプロイメント: CoreMLモデルをサーバーでホストし、APIリクエストを介してアクセスします。このアプローチは、より簡単な更新をサポートし、より複雑なモデルを処理できます。

CoreMLモデルのデプロイに関する詳細なガイダンスについては、CoreMLデプロイメントオプションを参照してください。

CoreMLはどのようにYOLO26モデルのパフォーマンスを最適化しますか？

CoreMLは、さまざまな最適化技術を活用することで、Ultralytics YOLO26モデルのパフォーマンスを最適化します。

• ハードウェアアクセラレーション: 効率的な計算のために、デバイスのCPU、GPU、およびNeural Engineを使用します。
• モデル圧縮：精度を損なうことなく、モデルを圧縮してフットプリントを削減するためのツールを提供します。
• 適応型推論: デバイスの機能に基づいて推論を調整し、速度とパフォーマンスのバランスを維持します。

パフォーマンスの最適化の詳細については、CoreMLの公式ドキュメントをご覧ください。

エクスポートされたCoreMLモデルで直接推論を実行できますか？

はい、エクスポートされたCoreMLモデルを使用して直接推論を実行できます。以下は、pythonおよびCLIのコマンドです。

from ultralytics import YOLO

coreml_model = YOLO("yolo26n.mlpackage")
results = coreml_model("https://ultralytics.com/images/bus.jpg")

yolo predict model=yolo26n.mlpackage source='https://ultralytics.com/images/bus.jpg'

追加情報については、CoreMLエクスポートガイドの使用方法セクションを参照してください。

📅 1年前に作成 ✏️ 4日前に更新

コメント