Exportação CoreML para Modelos YOLO26

Implantar modelos computer vision em dispositivos Apple como iPhones e Macs exige um formato que garanta desempenho perfeito.

O formato de exportação CoreML permite que você otimize seus modelos Ultralytics YOLO26 para object detection eficiente em aplicações iOS e macOS. Neste guia, mostraremos os passos para converter seus modelos para o formato CoreML, facilitando o desempenho dos seus modelos em dispositivos Apple.

CoreML

CoreML é a estrutura fundamental de aprendizado de máquina da Apple, que utiliza o Accelerate, BNNS e Metal Performance Shaders. Ele fornece um formato de modelo de aprendizado de máquina que se integra perfeitamente a aplicações iOS e suporta tarefas como análise de imagem, processamento de linguagem natural, conversão de áudio para texto e análise de som.

Aplicações podem aproveitar o Core ML sem a necessidade de uma conexão de rede ou chamadas de API, pois a estrutura Core ML funciona usando computação no próprio dispositivo. Isso significa que a inferência do modelo pode ser realizada localmente no dispositivo do usuário.

Principais Recursos dos Modelos CoreML

A estrutura CoreML da Apple oferece recursos robustos para aprendizado de máquina no dispositivo. Aqui estão os principais recursos que tornam o CoreML uma ferramenta poderosa para desenvolvedores:

• Suporte Abrangente a Modelos: Converte e executa modelos de estruturas populares como TensorFlow, Modelos , scikit-learn, XGBoost e LibSVM.

• no dispositivoMachine Learning: Garante privacidade de dados e processamento rápido ao executar modelos diretamente no dispositivo do usuário, eliminando a necessidade de conectividade de rede.

• Desempenho e Otimização: Usa CPU, GPU e Neural Engine do dispositivo para desempenho ideal com consumo mínimo de energia e memória. Oferece ferramentas para compressão e otimização de modelos enquanto mantém accuracy.

• Facilidade de Integração: Fornece um formato unificado para vários tipos de modelos e uma API amigável para integração perfeita em aplicativos. Suporta tarefas específicas de domínio por meio de estruturas como Vision e Natural Language.

• Funcionalidades Avançadas: Inclui recursos de treinamento no dispositivo para experiências personalizadas, predições assíncronas para experiências interativas de ML e ferramentas de inspeção e validação de modelos.

Opções de Implantação CoreML

Antes de examinarmos o código para exportar modelos YOLO26 para o formato CoreML, vamos entender onde os modelos CoreML são geralmente usados.

O CoreML oferece várias opções de implantação para modelos de aprendizado de máquina, incluindo:

• Implantação no Dispositivo: Este método integra diretamente modelos CoreML ao seu aplicativo iOS. É particularmente vantajoso para garantir baixa latência, privacidade aprimorada (já que os dados permanecem no dispositivo) e funcionalidade offline. Essa abordagem, no entanto, pode ser limitada pelas capacidades de hardware do dispositivo, especialmente para modelos maiores e mais complexos, e pode ser executada das duas maneiras seguintes:

  • Modelos Embutidos: Esses modelos são incluídos no pacote do aplicativo e ficam imediatamente acessíveis. São ideais para modelos pequenos que não exigem atualizações frequentes.

  • Modelos Baixados: Esses modelos são buscados de um servidor conforme necessário. Essa abordagem é adequada para modelos maiores ou que precisam de atualizações regulares. Ela ajuda a manter o tamanho do pacote do aplicativo menor.

• Implantação Baseada em Nuvem: Modelos CoreML são hospedados em servidores e acessados pelo aplicativo iOS por meio de chamadas de API. Esta opção escalável e flexível permite atualizações fáceis de modelos sem revisões de aplicativos. É ideal para modelos complexos ou aplicativos de grande escala que exigem atualizações regulares. No entanto, ela requer conexão com a internet e pode apresentar problemas de latência e segurança.

Exportando Modelos YOLO26 para CoreML

Exportar YOLO26 para CoreML permite um desempenho de aprendizado de máquina otimizado e no dispositivo dentro do ecossistema da Apple, oferecendo benefícios em termos de eficiência, segurança e integração perfeita com plataformas iOS, macOS, watchOS e tvOS.

Instalação

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, consulte nosso guia de Instalação do YOLO26. Ao instalar os pacotes necessários para o YOLO26, se você encontrar dificuldades, consulte nossa Guia de Problemas Comuns para soluções e dicas.

Uso

Antes de mergulhar nas instruções de uso, não deixe de conferir a gama de modelos YOLO26 oferecidos pela Ultralytics. Isso ajudará você a escolher o modelo mais apropriado para os requisitos do seu projeto.

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")

Argumentos de Exportação

Para mais detalhes sobre o processo de exportação, visite a página de documentação da Ultralytics sobre exportação.

Implantando Modelos CoreML YOLO26 Exportados

Tendo exportado com sucesso seus modelos Ultralytics YOLO26 para CoreML, a próxima fase crítica é implantar esses modelos de forma eficaz. Para orientações detalhadas sobre a implantação de modelos CoreML em vários ambientes, confira estes recursos:

• CoreML Tools: Este guia inclui instruções e exemplos para converter modelos de TensorFlow, PyTorch e outras bibliotecas para Core ML.

• ML e Vision: Uma coleção de vídeos abrangentes que cobrem vários aspectos do uso e implementação de modelos CoreML.

• Integrando um Modelo Core ML ao Seu Aplicativo: Um guia abrangente sobre como integrar um modelo CoreML a um aplicativo iOS, detalhando desde a preparação do modelo até a implementação no aplicativo para várias funcionalidades.

Resumo

Neste guia, analisamos como exportar modelos Ultralytics YOLO26 para o formato CoreML. Ao seguir os passos descritos neste guia, você pode garantir a máxima compatibilidade e desempenho ao exportar modelos YOLO26 para CoreML.

Para mais detalhes sobre o uso, visite a documentação oficial do CoreML.

Além disso, se você quiser saber mais sobre outras integrações do Ultralytics YOLO26, visite nossa página de guia de integração. Você encontrará muitos recursos valiosos e insights por lá.

FAQ

Como exporto modelos YOLO26 para o formato CoreML?

Para exportar seus modelos Ultralytics YOLO26 para o formato CoreML, primeiro você precisará garantir que tem o pacote ultralytics instalado. Você pode instalá-lo usando:

pip install ultralytics

Em seguida, você pode exportar o modelo usando os seguintes comandos Python ou CLI:

from ultralytics import YOLO

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

Para mais detalhes, consulte a Exportando Modelos YOLO26 para CoreML seção da nossa documentação.

Quais são os benefícios de usar CoreML para implantar modelos YOLO26?

O CoreML oferece inúmeras vantagens para a implantação de modelos Ultralytics YOLO26 em dispositivos Apple:

• Processamento no Dispositivo: Habilita a inferência de modelo local em dispositivos, garantindo data privacy e minimizando a latência.
• Otimização de Desempenho: Aproveita todo o potencial da CPU, GPU e Neural Engine do dispositivo, otimizando velocidade e eficiência.
• Facilidade de Integração: Oferece uma experiência de integração perfeita com os ecossistemas da Apple, incluindo iOS, macOS, watchOS e tvOS.
• Versatilidade: Suporta uma ampla gama de tarefas de aprendizado de máquina, como análise de imagem, processamento de áudio e processamento de linguagem natural usando a estrutura CoreML.

Para mais detalhes sobre como integrar seu modelo CoreML a um aplicativo iOS, confira o guia sobre Integrando um Modelo Core ML ao Seu Aplicativo.

Quais são as opções de implantação para modelos YOLO26 exportados para CoreML?

Depois de exportar seu modelo YOLO26 para o formato CoreML, você tem várias opções de implantação:

1. Implantação no Dispositivo: Integre diretamente modelos CoreML ao seu aplicativo para maior privacidade e funcionalidade offline. Isso pode ser feito como:

   • Modelos Embutidos: Incluído no pacote do aplicativo, acessível imediatamente.
   • Modelos Baixados: Buscado de um servidor conforme necessário, mantendo o tamanho do pacote do aplicativo menor.

2. Implantação Baseada em Nuvem: Hospede modelos CoreML em servidores e acesse-os via chamadas de API. Esta abordagem suporta atualizações mais fáceis e pode lidar com modelos mais complexos.

Para orientações detalhadas sobre a implantação de modelos CoreML, consulte Opções de Implantação CoreML.

Como o CoreML garante desempenho otimizado para modelos YOLO26?

O CoreML garante um desempenho otimizado para modelos Ultralytics YOLO26 utilizando várias técnicas de otimização:

• Aceleração de hardware: Usa a CPU, GPU e Neural Engine do dispositivo para computação eficiente.
• Compressão de Modelo: Fornece ferramentas para comprimir modelos, reduzindo sua pegada sem comprometer a precisão.
• Inferência Adaptativa: Ajusta a inferência com base nas capacidades do dispositivo para manter um equilíbrio entre velocidade e desempenho.

Para mais informações sobre otimização de desempenho, visite a documentação oficial do CoreML.

Posso executar inferência diretamente com o modelo CoreML exportado?

Sim, você pode executar a inferência diretamente usando o modelo CoreML exportado. Abaixo estão os comandos para Python e CLI:

from ultralytics import YOLO

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

Para informações adicionais, consulte a Secção de utilização do guia de exportação para CoreML.