CoreML Exportação para YOLOv8 Modelos

A implementação de modelos de visão computacional em dispositivos Apple, como iPhones e Macs, requer um formato que garanta um desempenho perfeito.

O formato de exportação CoreML permite-te otimizar os teus Ultralytics YOLOv8 modelos para uma deteção de objectos eficiente em aplicações iOS e macOS. Neste guia, vamos guiar-te através dos passos para converteres os teus modelos para o formato CoreML , facilitando o desempenho dos teus modelos em dispositivos Apple.

CoreML

CoreML é a estrutura de aprendizagem automática fundamental da Apple que se baseia no Accelerate, BNNS e Metal Performance Shaders. Fornece um formato de modelo de aprendizagem automática que se integra facilmente em aplicações iOS e suporta tarefas como a análise de imagens, processamento de linguagem natural, conversão de áudio para texto e análise de som.

As aplicações podem tirar partido do Core ML sem necessitarem de uma ligação à rede ou de chamadas à API, uma vez que a estrutura do Core ML funciona utilizando a computação no dispositivo. Isto significa que a inferência de modelos pode ser realizada localmente no dispositivo do utilizador.

Principais características dos modelos CoreML

A estrutura CoreML da Apple oferece funcionalidades robustas para a aprendizagem automática no dispositivo. Eis as principais características que fazem do CoreML uma ferramenta poderosa para os programadores:

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

• Aprendizagem automática no dispositivo: Garante a privacidade dos dados e um processamento rápido, executando modelos diretamente no dispositivo do utilizador, eliminando a necessidade de conetividade de rede.

• Desempenho e otimização: Utiliza o CPU, o GPU e o Neural Engine do dispositivo para obter o melhor desempenho com o mínimo de utilização de energia e memória. Oferece ferramentas para compressão e otimização de modelos, mantendo a precisão.

• Facilidade de integração: Fornece um formato unificado para vários tipos de modelos e uma API de fácil utilização para uma integração perfeita nas aplicações. Suporta tarefas específicas do domínio através de estruturas como Visão e Linguagem Natural.

• Funcionalidades avançadas: Inclui capacidades de formação no dispositivo para experiências personalizadas, previsões assíncronas para experiências de ML interactivas e ferramentas de inspeção e validação de modelos.

CoreML Opções de implementação

Antes de olharmos para o código para exportar YOLOv8 modelos para o CoreML formato, vamos entender onde CoreML modelos são geralmente usados.

CoreML oferece várias opções de implementação para modelos de aprendizagem automática, incluindo:

• Implantação no dispositivo: Este método integra diretamente os modelos CoreML na tua aplicação iOS . É particularmente vantajoso para garantir baixa latência, maior privacidade (uma vez que os dados permanecem no dispositivo) e funcionalidade offline. No entanto, esta abordagem pode ser limitada pelas capacidades de hardware do dispositivo, especialmente para modelos maiores e mais complexos. A implantação no dispositivo pode ser executada das duas maneiras a seguir.

  • Modelos incorporados: Estes modelos estão incluídos no pacote de aplicações e estão imediatamente acessíveis. São ideais para modelos pequenos que não requerem actualizações frequentes.

  • Modelos descarregados: Estes modelos são obtidos a partir de um servidor, conforme necessário. Esta abordagem é adequada para modelos maiores ou para aqueles que necessitam de actualizações regulares. Ajuda a manter o tamanho do pacote de aplicações mais pequeno.

• Implementação baseada na nuvem: os modelos CoreML são alojados em servidores e acedidos pela aplicação iOS através de pedidos de API. Esta opção escalável e flexível permite actualizações fáceis do modelo sem revisões da aplicação. É ideal para modelos complexos ou aplicações de grande escala que requerem actualizações regulares. No entanto, requer uma ligação à Internet e pode apresentar problemas de latência e segurança.

Exportação de modelos YOLOv8 para CoreML

A exportação de YOLOv8 para CoreML permite um desempenho optimizado de aprendizagem automática no dispositivo no ecossistema da Apple, oferecendo vantagens em termos de eficiência, segurança e integração perfeita com as plataformas iOS, macOS, watchOS e tvOS.

Instalação

Para instalar o pacote necessário, executa:

# Install the required package for YOLOv8
pip install ultralytics

Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulta o nosso guia de instalaçãoYOLOv8 . Durante a instalação dos pacotes necessários para YOLOv8, se tiveres alguma dificuldade, consulta o nosso guia de Problemas comuns para obteres soluções e sugestões.

Utilização

Antes de mergulhar nas instruções de utilização, não te esqueças de verificar a gama de modelosYOLOv8 oferecidos por Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado às necessidades do teu projeto.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to CoreML format
model.export(format="coreml")  # creates 'yolov8n.mlpackage'

# Load the exported CoreML model
coreml_model = YOLO("yolov8n.mlpackage")

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

# Export a YOLOv8n PyTorch model to CoreML format
yolo export model=yolov8n.pt format=coreml  # creates 'yolov8n.mlpackage''

# Run inference with the exported model
yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Para obter mais detalhes sobre o processo de exportação, visita a página de documentaçãoUltralytics sobre exportação.

Implantação de modelos exportados YOLOv8 CoreML

Depois de exportar com sucesso os modelos Ultralytics YOLOv8 para CoreML, a próxima fase crítica é implantar esses modelos de forma eficaz. Para obter orientações detalhadas sobre a implantação de modelos CoreML em vários ambientes, consulta estes recursos:

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

• ML e Visão: Uma coleção de vídeos abrangentes que cobrem vários aspectos da utilização e implementação de modelos CoreML .

• Integrar um modelo principal de ML na tua aplicação: Um guia completo sobre a integração de um modelo CoreML numa aplicação iOS , detalhando os passos desde a preparação do modelo até à sua implementação na aplicação para várias funcionalidades.

Resumo

Neste guia, explicámos como exportar modelos Ultralytics YOLOv8 para o formato CoreML . Se seguires os passos descritos neste guia, podes garantir a máxima compatibilidade e desempenho ao exportar modelos YOLOv8 para CoreML.

Para mais informações sobre a utilização, visita a documentação oficialCoreML .

Além disso, se quiseres saber mais sobre outras integrações de Ultralytics YOLOv8 , visita a nossa página de guia de integração. Encontrarás muitos recursos e informações valiosos.

FAQ

Como é que exporto os modelos YOLOv8 para o formato CoreML ?

Para exportar o teu Ultralytics YOLOv8 para o formato CoreML , primeiro tens de te certificar de que tens o ultralytics instalado. Podes instalá-lo utilizando:

pip install ultralytics

Em seguida, podes exportar o modelo utilizando os seguintes comandos Python ou CLI :

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="coreml")

yolo export model=yolov8n.pt format=coreml

Para mais informações, consulta a secção Exportar modelos YOLOv8 para CoreML da nossa documentação.

Quais são as vantagens de utilizar CoreML para implementar modelos YOLOv8 ?

CoreML oferece inúmeras vantagens para a implementação de Ultralytics YOLOv8 em dispositivos Apple:

• Processamento no dispositivo: Permite a inferência de modelos locais nos dispositivos, garantindo a privacidade dos dados e minimizando a latência.
• Otimização do desempenho: Tira partido de todo o potencial do CPU, GPU e do Neural Engine do dispositivo, optimizando a velocidade e a eficiência.
• Facilidade de integração: Oferece uma experiência de integração perfeita com os ecossistemas da Apple, incluindo iOS, macOS, watchOS e tvOS.
• Versatilidade: Suporta uma vasta gama de tarefas de aprendizagem automática, como a análise de imagens, o processamento de áudio e o processamento de linguagem natural, utilizando a estrutura CoreML .

Para obter mais detalhes sobre a integração do modelo CoreML numa aplicação iOS , consulta o guia sobre a integração de um modelo de ML principal na tua aplicação.

Quais são as opções de implementação para os modelos YOLOv8 exportados para CoreML?

Depois de exportares o teu modelo YOLOv8 para o formato CoreML , tens várias opções de implementação:

1. Implementação no dispositivo: Integra diretamente os modelos CoreML na tua aplicação para uma maior privacidade e funcionalidade offline. Isto pode ser feito como:

   • Modelos incorporados: Incluído no pacote de aplicações, acessível imediatamente.
   • Modelos descarregados: Obtido de um servidor conforme necessário, mantendo o tamanho do pacote de aplicativos menor.

2. Implementação baseada na nuvem: Aloja os modelos CoreML em servidores e acede aos mesmos através de pedidos de API. Esta abordagem permite actualizações mais fáceis e pode lidar com modelos mais complexos.

Para obter orientações detalhadas sobre a implementação dos modelos CoreML , consulta CoreML Deployment Options.

Como é que o CoreML garante um desempenho optimizado para os modelos YOLOv8 ?

CoreML assegura um desempenho optimizado para os Ultralytics YOLOv8 modelos, utilizando várias técnicas de otimização:

• Aceleração de hardware: Utiliza o CPU, o GPU e o Neural Engine do dispositivo para uma computação eficiente.
• Compressão de modelos: Fornece ferramentas para comprimir modelos de modo a reduzir a 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 obter mais informações sobre a otimização do desempenho, visita a documentação oficialCoreML .

Posso executar a inferência diretamente com o modelo CoreML exportado?

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

from ultralytics import YOLO

coreml_model = YOLO("yolov8n.mlpackage")
results = coreml_model("https://ultralytics.com/images/bus.jpg")

yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Para mais informações, consulta a secção Utilização do guia de exportação CoreML .

Comentários