Экспорт CoreML для моделей YOLO26#

Apple поставляет специализированные кремниевые чипы для ИИ — Neural Engine — в каждый современный iPhone, iPad и Mac, и CoreML является поддерживаемым способом развертывания моделей Ultralytics на них сегодня. Экспорт моделей Ultralytics YOLO26 в CoreML превращает обученную контрольную точку .pt в нативную .mlpackage, которая выполняет все семь задач YOLO на устройстве с низкой задержкой, без подключения к сети и без передачи данных с устройства.

Что такое CoreML?#

CoreML (в написании Apple — "Core ML") — это локальный фреймворк машинного обучения от Apple. Он загружает модели в современном формате ML Program — пакете .mlpackage, который создает экспортер Ultralytics, — и распределяет их между центральным процессором (CPU), графическим процессором (GPU) и Apple Neural Engine (ANE), специализированным NPU в каждом чипе Apple silicon. Поскольку все работает локально, инференс работает в автономном режиме, не добавляет сетевой задержки и сохраняет пользовательские данные на устройстве.

CoreML напрямую интегрируется с фреймворком Vision от Apple, который управляет изменением размера и ориентации изображений при поступлении в модель — именно так iOS SDK от Ultralytics передает кадры с камеры в YOLO практически с нулевыми затратами на предварительную обработку.

Зачем экспортировать YOLO26 в CoreML?#

• Скорость Neural Engine: CoreML планирует поддерживаемые операции на Neural Engine от Apple для инференса на устройстве с низким временем отклика. Смотри таблицу физических устройств ниже и тестируй свой точный экспорт на целевом оборудовании.
• Без NMS по умолчанию: YOLO26 является сквозной моделью, поэтому экспортированному графу не нужен конвейер NMS, а декодирование занимает менее миллисекунды. Более старые модели обнаружения, такие как YOLO11, могут встраивать конвейер NMS для CoreML с помощью nms=True.
• Конфиденциально и офлайн: Все вычисления выполняются на устройстве — никаких обращений к облаку, никаких ключей API, полная конфиденциальность данных.
• Один экспорт для всей экосистемы: Тот же .mlpackage работает на iOS, iPadOS, macOS, watchOS, tvOS и visionOS, а также обеспечивает работу официальных iOS SDK и плагина Flutter от Ultralytics.

Измеренная производительность#

Сквозной инференс для одного изображения для стандартизированных ресурсов v8.3.0 YOLO26n INT8 CoreML на iPhone 17 Pro с 12 ГБ памяти и iOS 26.5.2. Его чип A19 Pro оснащен 6-ядерным процессором CPU (2 производительных и 4 эффективных ядра), 6-ядерным GPU с нейроускорителями и 16-ядерным Neural Engine. Каждая ячейка показывает общее время (предварительная обработка + инференс + постобработка, без учета разметки) с разбивкой по этапам под ней. На iOS компонент Vision выполняет масштабирование входных данных прямо в запросе на инференс, поэтому предварительная обработка отображается как 0, а ее затраты включены в инференс.

• Точные релизные ассеты v8.3.0 объявляют входные данные 224×224 для классификации и 640×640 для всех остальных задач.
• Значения скорости представляют собой задержки при пакетной обработке одного изображения — среднее арифметическое 15 запусков после 3 прогревочных запусков на bus.jpg, измеренное с помощью замеров времени для каждого этапа в iOS SDK через среду тестирования плагина Flutter в режиме профилирования (оптимизированный нативный код). Порядок процессоров/ускорителей чередовался между задачами в одном последовательном проходе. Строки для CPU запрашивают Core ML .cpuOnly; строки для CPU + предпочтительно ANE запрашивают .cpuAndNeuralEngine, а окончательное размещение операций контролируется Core ML. Устойчивая работа камеры в реальном времени работает медленнее, так как она включает конвейер захвата и масштабирования плюс стабилизацию температуры. Исторический предстандартный проход камеры зафиксировал 11.3 мс/кадр для детекции YOLO26n и 16.5 мс/кадр для глубины YOLO26n на том же устройстве — см. документацию по производительности iOS SDK для профилирования в установившемся режиме.
• Сравни результаты для CPU/GPU на Android в интеграции LiteRT и результаты для NPU Snapdragon в интеграции Qualcomm QNN.

Поддерживаемые задачи#

Экспорт в CoreML поддерживает все семь задач Ultralytics. Семантическая сегментация и оценка глубины доступны только в YOLO26, единственном семействе, в котором поставляются эти «головы».

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 запускается на macOS или x86 Linux; подробные инструкции и рекомендации ищи в нашем руководстве по установке и руководстве по частым проблемам.

Использование#

Формат CoreML поддерживает режимы Export, Predict и Validate. Инференс и валидация с помощью CoreML выполняются только на macOS. Экспортируй модель, затем загрузи экспортированную модель для запуска инференса или проверки ее 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#

Дополнительную информацию о процессе экспорта см. на странице документации Ultralytics по экспорту.

Нацеливание на Neural Engine#

CoreML выбирает железо с помощью MLModelConfiguration.computeUnits. iOS SDK от Ultralytics по умолчанию использует .cpuAndNeuralEngine на iOS 16+, а не .all: в приложении камеры реального времени графический процессор уже занят компоновкой превью и наложений, поэтому его исключение позволяет избежать конфликтов и дрожания времени кадров, пока всю тяжелую работу выполняет ANE. Задавай .cpuOnly только для тестирования совместимости — таблица выше показывает, во сколько это обойдется.

Запуск модели CoreML из Python на хосте Mac (через Ultralytics или coremltools) следует тому же правилу: Ultralytics загружается с ComputeUnit.CPU_AND_NE (macOS 13+, с откатом на CPU_ONLY на старых macOS), удерживая инференс на Neural Engine (в ~3 раза быстрее, чем на CPU). Это также позволяет избежать текущего ограничения хоста macOS, при котором значения по умолчанию ComputeUnit.ALL / CPU_AND_GPU, добавляющие путь компиляции GPU/MPSGraph, аварийно завершают процесс с утверждением Error: MLIR pass manager failed на coremltools 9.x.

Развертывание экспортированных моделей YOLO26 CoreML#

Самый быстрый путь — официальный Ultralytics YOLO iOS SDK, тот же Swift-пакет, на котором работают приложение Ultralytics и плагин Flutter. Он автоматически определяет официальные имена моделей, загружает и кэширует .mlpackage и 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 плагин Flutter для кроссплатформенных приложений, которые используют общую кодовую базу с Android.

Самостоятельная интеграция сырой модели .mlpackage также проста со стеком Apple: загрузи ее с помощью MLModel, оберни в VNCoreMLRequest и передавай изображения через VNImageRequestHandler. Эти ресурсы охватывают все детали:

• Интеграция модели Core ML в твое приложение: Руководство Apple по упаковке и вызову модели CoreML.
• CoreML Tools: Справочник по конвертации, квантованию и оптимизации для цепочки инструментов coremltools, лежащей в основе этого экспорта.
• Отчеты о производительности Core ML в Xcode: Размещение по слоям на устройстве и профилирование задержки для твоей конкретной модели и устройства.

Поставляй модель либо встроенной в бандл приложения (мгновенная доступность, идеально для nano/small моделей), либо загружаемой при первом запуске и кэшируемой (меньший размер бинарного файла, простое обновление моделей). Официальные приложения сочетают оба подхода: модели nano по умолчанию входят в комплект для немедленного использования, в то время как более крупные варианты загружаются по запросу и кэшируются локально.

Рекомендуемый рабочий процесс#

1. Обучай свою модель с помощью режима Train от Ultralytics или начните с официальных весов YOLO26
2. Экспортируй с помощью model.export(format="coreml", quantize=8, imgsz=640) на macOS или x86 Linux (imgsz=224 для классификации)
3. Проверяй точность с помощью model.val() на Mac и выполняй профилирование с помощью отчета о производительности Xcode Core ML на целевом устройстве
4. Развертывай с помощью iOS SDK, плагина Flutter или собственной интеграции Vision, ориентируясь на .cpuAndNeuralEngine

Резюме#

В этом руководстве ты узнал, как экспортировать модели Ultralytics YOLO26 в формат .mlpackage CoreML, квантовать их для Apple Neural Engine и развертывать с задержками порядка миллисекунд — через официальный iOS SDK, плагин Flutter или собственную интеграцию Vision. О других целях развертывания читай на странице руководств по интеграции и сравнивай форматы с помощью режима Benchmark.

FAQ#