Link to this sectionЭкспорт CoreML для моделей YOLO26#

Apple оснащает все современные iPhone, iPad и Mac специализированным ИИ-процессором Neural Engine, а CoreML является поддерживаемым Ultralytics способом развертывания моделей на этих устройствах. Экспорт моделей Ultralytics YOLO26 в CoreML превращает обученную контрольную точку .pt в нативный формат .mlpackage, который выполняет все семь задач YOLO локально с низкой задержкой, без необходимости подключения к сети и выхода данных с устройства.

Link to this sectionЧто такое CoreML?#

CoreML (в стиле Apple «Core ML») — это фреймворк Apple для машинного обучения на устройстве. Он загружает модели в современном формате ML Program — это пакет .mlpackage, который создает экспортер Ultralytics, — и распределяет их между CPU, GPU и Apple Neural Engine (ANE), специализированным NPU в каждом чипе Apple Silicon. Поскольку все выполняется локально, инференс работает офлайн, не добавляет задержек сети и сохраняет пользовательские данные на устройстве.

CoreML напрямую интегрируется с фреймворком Vision от Apple, который управляет масштабированием и ориентацией изображений перед их подачей в модель — именно так iOS SDK Ultralytics передает кадры с камеры в YOLO практически с нулевыми затратами на предобработку.

Link to this sectionЗачем экспортировать YOLO26 в CoreML?#

• Скорость Neural Engine: обнаружение с помощью YOLO26n выполняется от начала до конца за 3,8 мс на iPhone 17 Pro для одного изображения и за 11,3 мс/кадр при использовании камеры в режиме реального времени; YOLO26n Depth занимает 5,5 мс для одного изображения и 16,5 мс/кадр в режиме камеры (см. таблицу и примечания ниже).
• Без NMS по своей сути: YOLO26 является end-to-end, поэтому экспортированному графу не нужен конвейер NMS, а декодирование занимает менее миллисекунды. Более старые модели обнаружения, такие как YOLO11, могут встраивать конвейер CoreML NMS с помощью nms=True.
• Приватно и офлайн: все вычисления остаются на устройстве — никаких обращений к облаку, никаких API-ключей, полная конфиденциальность данных.
• Один экспорт — вся экосистема: один и тот же файл .mlpackage работает на iOS, iPadOS, macOS, watchOS, tvOS и visionOS, а также поддерживает официальный iOS SDK и плагин Flutter от Ultralytics.

Link to this sectionИзмеренная производительность#

Инференс от начала до конца для одного изображения на официальных моделях YOLO26n INT8 CoreML на iPhone 17 Pro (Apple A19, iOS 26.5.2). В каждой ячейке указано общее время (препроцессинг + инференс + постпроцессинг, без учета аннотации) с разбивкой по этапам под ним. В iOS Vision выполняет масштабирование входных данных внутри запроса на инференс, поэтому препроцессинг отображается как 0, а его стоимость включена в инференс.

• ¹ Экспорт семантического CoreML встраивает ArgMax в граф и возвращает компактную карту классов в полном разрешении ([1, 1024, 1024]) вместо float-логитов, поэтому постобработка представляет собой цветовое сканирование длительностью менее миллисекунды, а маски отображаются с высокой четкостью пикселей.
• Значения скорости — это задержки при пакетной обработке одного изображения — среднее арифметическое значение 15 запусков после 3 прогревочных запусков на bus.jpg, измеренное с помощью пошагового тайминга iOS SDK через бенчмарк-инструментарий плагина Flutter в режиме профилирования (оптимизированный нативный код). Стабильная работа камеры в реальном времени требует больше времени, так как включает конвейер захвата и масштабирования, а также тепловую стабилизацию: YOLO26n detect показывает 11,3 мс/кадр, а YOLO26n Depth — 16,5 мс/кадр в приложении камеры на том же устройстве — см. документацию по производительности iOS SDK для профилирования установившегося режима.
• Соответствующая таблица для CPU/GPU/NPU Snapdragon находится в разделе интеграции Qualcomm QNN.

Link to this sectionЭкспорт моделей YOLO26 в CoreML#

Link to this sectionУстановка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Конвертер coremltools устанавливается автоматически при первом экспорте. Экспорт работает на macOS или x86 Linux; подробные инструкции и лучшие практики смотри в нашем руководстве по установке и руководстве по распространенным проблемам.

Link to this sectionИспользование#

Формат CoreML поддерживает режимы Экспорт, Предсказание и Валидация. Инференс и валидация с CoreML работают только на macOS. Экспортируй свою модель, а затем загрузи ее для выполнения инференса или проверки 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)  # creates 'yolo26n.mlpackage'

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")

Link to this sectionАргументы экспорта#

Для получения дополнительной информации о процессе экспорта посети страницу документации Ultralytics по экспорту.

Link to this sectionНацеливание на Neural Engine#

CoreML выбирает оборудование через MLModelConfiguration.computeUnits. iOS SDK Ultralytics по умолчанию использует .cpuAndNeuralEngine на iOS 16+ вместо .all: в приложении камеры в реальном времени GPU уже занят композитингом превью и оверлеев, поэтому исключение его из работы позволяет избежать конфликтов и джиттера времени кадра, пока ANE выполняет основную работу. Выбирай .cpuOnly только для проверки совместимости — таблица выше показывает, сколько это стоит.

Запуск модели CoreML из Python на Mac host (через Ultralytics или coremltools) следует тем же правилам: Ultralytics загружается с ComputeUnit.CPU_AND_NE (macOS 13+ с переходом на CPU_ONLY в старых версиях macOS), что позволяет выполнять инференс на Neural Engine (в ~3 раза быстрее, чем на CPU). Это также позволяет избежать текущего ограничения macOS, при котором использование стандартных ComputeUnit.ALL / CPU_AND_GPU, добавляющих путь компиляции GPU/MPSGraph, прерывает процесс с ошибкой Error: MLIR pass manager failed в coremltools 9.x.

Link to this sectionРазвертывание экспортированных моделей YOLO26 CoreML#

Самый быстрый путь — это официальный iOS SDK Ultralytics YOLO, тот же пакет Swift, на котором работают приложение Ultralytics для iOS и плагин Flutter. Он автоматически распознает имена официальных 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 используй готовый YOLOView из SDK для инференса в реальном времени с нативными оверлеями или используй плагин Flutter для кроссплатформенных приложений, использующих одну кодовую базу с Android.

Интегрировать «сырой» файл .mlpackage самостоятельно также несложно с помощью стека Apple — загрузи его через MLModel, оберни в VNCoreMLRequest и передавай изображения через VNImageRequestHandler. Эти ресурсы охватывают детали:

• Интеграция модели Core ML в твое приложение: руководство Apple по объединению и вызову модели CoreML.
• CoreML Tools: справочник по конвертации, квантованию и оптимизации для инструментария coremltools, который обеспечивает этот экспорт.
• Отчеты о производительности Xcode Core ML: профилирование размещения слоев на устройстве и задержек для твоей конкретной модели и устройства.

Поставляй модель либо встроенной в бандл приложения (мгновенная доступность, идеально для моделей nano/small), либо загружаемой при первом запуске и кэшируемой (меньший размер бинарного файла, легкие обновления модели) — официальные приложения используют второй подход с релизными ассетами GitHub.

Link to this sectionРекомендуемый рабочий процесс#

1. Обучай свою модель с помощью режима обучения Ultralytics или начни с официальных весов YOLO26
2. Экспортируй с помощью model.export(format="coreml", quantize=8) на macOS или x86 Linux.
3. Проверяй точность с помощью model.val() на Mac и профилируй с помощью отчета о производительности Xcode Core ML на целевом устройстве
4. Развертывай с помощью iOS SDK, плагина Flutter или собственной интеграции Vision, нацеливаясь на .cpuAndNeuralEngine

Link to this sectionРезюме#

В этом руководстве ты узнал, как экспортировать модели Ultralytics YOLO26 в формат .mlpackage для CoreML, квантовать их для Apple Neural Engine и развертывать с задержками в считанные миллисекунды — через официальный iOS SDK и плагин Flutter или через собственную интеграцию Vision. Для других целей развертывания просмотри страницу руководства по интеграции и сравни форматы с режимом Benchmark.

Link to this sectionFAQ#

Link to this sectionКак экспортировать модели YOLO26 в формат CoreML?#

Запусти model.export(format="coreml") в Python или yolo export model=yolo26n.pt format=coreml через CLI на macOS или x86 Linux. Добавь quantize=8, чтобы соответствовать официальным моделям приложения. Экспорт создает yolo26n.mlpackage ML Program, готовую для Xcode, iOS SDK или плагина Flutter.

Link to this sectionНужно ли мне nms=True при экспорте YOLO26?#

Нет. YOLO26 работает без NMS, поэтому экспортированный граф уже выдает финальные результаты обнаружения, а декодирование занимает значительно меньше миллисекунды. Опция nms=True существует для более ранних моделей обнаружения, таких как YOLO11: она встраивает конвейер CoreML NMS, чтобы твоему приложению не приходилось реализовывать подавление. Конвейеры CoreML NMS поддерживают только обнаружение объектов, поэтому nms=True игнорируется с предупреждением для других задач, таких как сегментация и определение позы.

Link to this sectionКакую точность использовать — FP16 или INT8?#

Официальные модели приложения Ultralytics поставляются в формате INT8, что минимизирует размер загрузки и обеспечивает скорость, указанную в таблице выше. quantize=16 (FP16) — это консервативная альтернатива практически без потери точности. Перед выпуском проверь свой конкретный экспорт с помощью model.val() на Mac.

Link to this sectionКак убедиться, что инференс выполняется на Neural Engine?#

Установи MLModelConfiguration.computeUnits = .cpuAndNeuralEngine (по умолчанию в iOS SDK на iOS 16+). Избегай .all в приложениях с камерой — GPU занят композитингом превью, и планирование инференса там вызывает джиттер времени кадра. Подтверди размещение с помощью отчета о производительности Xcode Core ML.

Link to this sectionМогу ли я запускать и проверять модели CoreML с помощью Ultralytics CLI?#

Да, на macOS: yolo predict model=yolo26n.mlpackage source=image.jpg и yolo val model=yolo26n.mlpackage data=coco8.yaml работают так же, как и с любым другим форматом. Выполнение CoreML требует оборудования Apple, поэтому эти режимы недоступны на Linux и Windows.

Link to this sectionКакой самый быстрый способ запустить YOLO26 в приложении iOS или Flutter?#

Используй официальный iOS SDK Ultralytics YOLO (Swift Package) или плагин Flutter. Оба варианта загружают официальные модели по имени с автоматической загрузкой и кэшированием, запускают их на Neural Engine и включают полноценные пользовательские интерфейсы камеры в реальном времени — таблица измеренной производительности выше была создана именно с этим стеком.