Экспорт моделей YOLO26 в CoreML#

Apple устанавливает специализированный ИИ-чип — Neural Engine — в каждый современный iPhone, iPad и Mac, а CoreML сегодня является поддерживаемым способом Ultralytics для развёртывания моделей на нём. Экспорт обученных моделей Ultralytics YOLO26 в CoreML преобразует контрольную точку .pt в нативный .mlpackage, который выполняет все семь задач YOLO на устройстве с низкой задержкой, без подключения к сети и передачи данных за пределы устройства.

Что такое CoreML?#

CoreML (в оформлении Apple — «Core ML») — это фреймворк Apple для машинного обучения на устройстве. Он загружает модели в современном формате ML Program — в пакете .mlpackage, который создаёт экспортёр Ultralytics, — и распределяет их выполнение между CPU, GPU и Apple Neural Engine (ANE) — специализированным NPU в каждом чипе на базе Apple silicon. Поскольку всё выполняется локально, инференс работает без подключения к сети, не добавляет сетевой задержки и сохраняет пользовательские данные на устройстве.

CoreML напрямую интегрируется с фреймворком Vision Apple, который масштабирует и ориентирует изображения перед передачей в модель. Именно так Ultralytics iOS SDK передаёт кадры с камеры в YOLO практически без затрат на предобработку.

Зачем экспортировать YOLO26 в CoreML?#

• Скорость Neural Engine: CoreML распределяет поддерживаемые операции на Neural Engine Apple для инференса на устройстве с низкой задержкой. См. таблицу для физических устройств ниже и измерь производительность именно своего экспорта на целевом оборудовании.
• Выбери вывод: Экспорт по умолчанию оставляет NMS твоему приложению. Используй nms=True, чтобы встроить NMS, или nms=False для головы YOLO26 без NMS.
• Приватность и работа офлайн: все вычисления выполняются на устройстве — без обращений к облаку, ключей API и с полной конфиденциальностью данных.
• Один экспорт для всей экосистемы: один и тот же .mlpackage работает в iOS, iPadOS, macOS, watchOS, tvOS и visionOS, а также используется официальными iOS SDK и Flutter plugin Ultralytics.

Измеренная производительность#

Сквозной инференс одного изображения для стандартизированных ресурсов v8.3.0 YOLO26n INT8 CoreML на iPhone 17 Pro с 12 ГБ памяти и iOS 26.5.2. В A19 Pro установлены 6-ядерный CPU (2 производительных и 4 энергоэффективных ядра), 6-ядерный GPU с Neural Accelerators и 16-ядерный Neural Engine. В каждой ячейке указано общее время (предобработка + инференс + постобработка, без учёта аннотации), а ниже приведено распределение по этапам. В iOS Vision масштабирует входные данные внутри запроса инференса, поэтому время предобработки указано как 0, а её стоимость включена во время инференса.

• В ресурсах точного выпуска v8.3.0 указаны входные данные размером 224×224 для классификации и 640×640 для всех остальных задач.
• Значения Speed — это задержки пакетной обработки одного изображения: среднее значение для 15 запусков после 3 прогревочных запусков на bus.jpg, измеренное с помощью поэтапного тайминга iOS SDK через тестовый стенд Flutter plugin в режиме профилирования (оптимизированный нативный код). Порядок CPU/ускорителя чередовался между задачами в одном последовательном проходе. Для строк CPU запрашивается Core ML .cpuOnly, а для строк CPU + ANE, предпочтительно, — .cpuAndNeuralEngine; окончательное размещение операций контролирует Core ML. При длительной работе камеры в реальном времени значения выше, поскольку учитывают конвейер захвата и масштабирования, а также стабилизацию температуры. В ходе исторического измерения камеры до введения стандарта на том же устройстве были получены значения 11.3 мс/кадр для detect YOLO26n и 16.5 мс/кадр для Depth YOLO26n — см. документацию по производительности iOS SDK, посвящённую профилированию установившегося режима.
• Сравни результаты CPU/GPU для Android в интеграции LiteRT и результаты NPU Snapdragon в интеграции Qualcomm QNN.

Поддерживаемые задачи#

Экспорт CoreML поддерживает все семь задач Ultralytics. Семантическая сегментация и оценка глубины доступны только в YOLO26 — единственном семействе с такими головами.

Экспорт моделей YOLO26 в CoreML#

Установка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Конвертер coremltools устанавливается автоматически при первом экспорте. Экспорт выполняется в macOS или x86 Linux; подробные инструкции и рекомендации см. в нашем руководстве по установке и руководстве по распространённым проблемам.

Использование#

Формат CoreML поддерживает режимы Export, Predict и Validate. Инференс и валидация с CoreML выполняются только в macOS. Экспортируй модель, затем загрузи экспортированную модель для запуска инференса или проверки её точности.

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")

Аргументы экспорта#

Подробнее о процессе экспорта см. на странице документации Ultralytics об экспорте.

Нацеливание на Neural Engine#

CoreML выбирает оборудование через MLModelConfiguration.computeUnits. Ultralytics iOS SDK по умолчанию использует .cpuAndNeuralEngine в iOS 16+ вместо .all: в приложении с камерой реального времени GPU уже занят компоновкой предпросмотра и наложений, поэтому его исключение предотвращает конкуренцию за ресурсы и дрожание времени обработки кадров, пока ANE выполняет основную работу. Используй .cpuOnly только для проверки совместимости — в таблице выше показана соответствующая стоимость.

Запуск модели CoreML из Python на хосте Mac (через Ultralytics или coremltools) работает по тому же правилу: Ultralytics загружает её с помощью ComputeUnit.CPU_AND_NE (macOS 13+ с возвратом к CPU_ONLY в более старых версиях macOS), оставляя инференс на Neural Engine (примерно в 3 раза быстрее CPU). Это также устраняет текущей ограничение хоста macOS, при котором стандартные ComputeUnit.ALL / CPU_AND_GPU — добавляющие путь компиляции GPU/MPSGraph — прерывают процесс с утверждением Error: MLIR pass manager failed в coremltools 9.x.

Развёртывание экспортированных моделей YOLO26 CoreML#

Самый быстрый способ — официальный Ultralytics YOLO iOS SDK, тот же пакет Swift, который используется в приложении Ultralytics для iOS и Flutter plugin. Он автоматически распознаёт официальные имена моделей, загружает и кэширует .mlpackage, а затем возвращает полностью декодированные результаты:

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
    }
}

Для приложений с камерой добавь YOLOView из SDK для инференса в реальном времени с нативными наложениями или используй Flutter plugin для кроссплатформенных приложений с единой кодовой базой для Android.

Самостоятельная интеграция необработанного .mlpackage также проста с использованием стека Apple: загрузи его с помощью MLModel, оберни в VNCoreMLRequest и передавай изображения через VNImageRequestHandler. Подробности приведены в следующих ресурсах:

• Интеграция модели Core ML в приложение: руководство Apple по добавлению и вызову модели CoreML в приложении.
• CoreML Tools: справочник по конвертации, квантованию и оптимизации инструментальной цепочки coremltools, на которой основан этот экспорт.
• Отчёты о производительности Core ML в Xcode: профилирование размещения слоёв на устройстве и задержек для твоей конкретной модели и устройства.

Размести модель либо встроенной в пакет приложения (мгновенная доступность, идеально для nano- и small-моделей), либо загружай при первом запуске и кэшируй (меньший размер бинарного файла, простое обновление модели). Официальные приложения используют оба подхода: модели nano по умолчанию встроены и доступны сразу, а более крупные варианты загружаются по запросу и кэшируются локально.

Рекомендуемый рабочий процесс#

1. Обучи модель с помощью режима Train Ultralytics или начни с официальных весов YOLO26
2. Экспортируй с помощью model.export(format="coreml", quantize=8, imgsz=640) в macOS или x86 Linux (imgsz=224 для классификации)
3. Проверь точность с помощью model.val() на Mac и выполни профилирование с помощью отчёта о производительности Core ML в Xcode на целевом устройстве
4. Разверни модель с помощью iOS SDK, Flutter plugin или собственной интеграции Vision, выбрав .cpuAndNeuralEngine

Итоги#

В этом руководстве ты узнал, как экспортировать модели Ultralytics YOLO26 в формат .mlpackage CoreML, квантовать их для Apple Neural Engine и развёртывать с задержкой в единицы миллисекунд — через официальный iOS SDK и Flutter plugin или собственную интеграцию Vision. Для других целевых платформ открой страницу руководства по интеграциям и сравни форматы с помощью режима Benchmark.

Часто задаваемые вопросы#