Link to this sectionYOLO26 Modelleri için CoreML Dışa Aktarımı#

Apple, her modern iPhone, iPad ve Mac cihazında özel bir yapay zeka çipi olan Neural Engine'i sunar ve CoreML, Ultralytics'in günümüzde modelleri bu çip üzerinde çalıştırmak için desteklediği yoldur. Ultralytics YOLO26 modellerini CoreML'e aktarmak, eğitilmiş bir .pt kontrol noktasını, yedi YOLO görevinin tamamını cihaz üzerinde düşük gecikmeyle, internet bağlantısı gerektirmeden ve veriler cihazdan ayrılmadan çalıştıran yerel bir .mlpackage dosyasına dönüştürür.

Link to this sectionCoreML nedir?#

CoreML (Apple tarafından "Core ML" olarak yazılır), Apple'ın cihaz üzerinde çalışan makine öğrenimi çerçevesidir. Modelleri, Ultralytics dışa aktarıcısının ürettiği .mlpackage paketi olan modern ML Program formatında yükler ve bunları cihazın CPU, GPU ve her Apple silikon çipindeki özel NPU olan Apple Neural Engine (ANE) üzerinde zamanlar. Her şey yerel olarak çalıştığı için çıkarım çevrimdışı gerçekleşir, ağ gecikmesi eklemez ve kullanıcı verilerini cihazda tutar.

CoreML, modele giden yolda görüntü ölçeklendirmeyi ve yönlendirmeyi yöneten Apple'ın Vision çerçevesi ile doğrudan entegre olur; Ultralytics iOS SDK'sının kamera karelerini YOLO'ya neredeyse sıfır ön işleme maliyetiyle beslemesinin yolu budur.

Link to this sectionNeden YOLO26'yı CoreML'e Dışa Aktarmalısın?#

• Neural Engine hızı: YOLO26n tespiti, bir iPhone 17 Pro üzerinde tekil görüntüler için baştan sona 3.8 ms'de ve sürekli gerçek zamanlı kamera kullanımında 11.3 ms/kare hızında çalışır; YOLO26n Depth ise tekil bir görüntü için 5.5 ms ve canlı kamerada 16.5 ms/kare hızındadır (aşağıdaki tabloya ve notlara bak).
• Tasarım gereği NMS'sizdir: YOLO26 uçtan uca çalışır, bu nedenle dışa aktarılan grafik hiçbir NMS işlem hattına ihtiyaç duymaz ve kod çözme işlemi milisaniyenin altındadır. YOLO11 gibi eski algılama modelleri, nms=True ile bir CoreML NMS işlem hattını gömebilir.
• Özel ve çevrimdışı: Tüm hesaplamalar cihazda kalır; buluta gidiş-dönüş yok, API anahtarı yok, tam veri gizliliği var.
• Tek dışa aktarım, tüm ekosistem: Aynı .mlpackage iOS, iPadOS, macOS, watchOS, tvOS ve visionOS üzerinde çalışır ve resmi Ultralytics iOS SDK ile Flutter eklentisine güç verir.

Link to this sectionÖlçülen Performans#

iPhone 17 Pro (Apple A19, iOS 26.5.2) üzerinde resmi YOLO26n INT8 CoreML modelleri için uçtan uca tekil görüntü çıkarımı. Her hücre, altındaki aşama ayrımıyla birlikte toplam süreyi (ön işleme + çıkarım + son işleme, açıklama hariç) gösterir. iOS'ta Vision, girdi ölçeklendirmeyi çıkarım isteği içinde gerçekleştirdiğinden, ön işleme 0 olarak raporlanır ve maliyeti çıkarım süresine dahil edilir.

• ¹ Anlamsal CoreML dışa aktarımları, ArgMax değerini grafiğe gömer ve float logit'ler yerine kompakt, tam çözünürlüklü bir sınıf haritası ([1, 1024, 1024]) döndürür; bu sayede işlem sonrası aşaması milisaniyenin altında bir renk taramasıdır ve maskeler piksel keskinliğinde render edilir.
• Hız değerleri, tekil görüntü patlama gecikmeleridir — bus.jpg üzerinde 3 ısınma turundan sonra 15 çalışmanın ortalamasıdır; iOS SDK'sının profil modundaki (optimize edilmiş yerel kod) Flutter eklentisi kıyaslama aracı aracılığıyla aşama bazlı zamanlamasıyla ölçülmüştür. Sürekli gerçek zamanlı kamera çalışması, yakalama ve ölçeklendirme hattı ile termal dengelemeyi de içerdiğinden daha yüksek değerler verir: YOLO26n detect aynı cihazdaki canlı kamera uygulamasında 11.3 ms/kare ve YOLO26n Depth 16.5 ms/kare ölçülür — kararlı durum profili oluşturma için iOS SDK performans dokümanına bak.
• Eşleşen Snapdragon CPU/GPU/NPU tablosu Qualcomm QNN entegrasyonunda mevcuttur.

Link to this sectionYOLO26 Modellerini CoreML'e Dışa Aktarma#

Link to this sectionKurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

coremltools dönüştürücüsü ilk dışa aktarmada otomatik olarak kurulur. Dışa aktarma macOS veya x86 Linux üzerinde çalışır; ayrıntılı talimatlar ve en iyi uygulamalar için kurulum rehberimize ve Sık Karşılaşılan Sorunlar rehberine göz at.

Link to this sectionKullanım#

CoreML formatı Dışa Aktarma, Tahmin ve Doğrulama modlarını destekler. CoreML ile çıkarım ve doğrulama yalnızca macOS üzerinde çalışır. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu kontrol etmek için dışa aktarılan modeli yükle.

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 sectionDışa Aktarma Argümanları#

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma hakkındaki Ultralytics dokümantasyon sayfasına git.

Link to this sectionNeural Engine'i Hedefleme#

CoreML chooses hardware via MLModelConfiguration.computeUnits. The Ultralytics iOS SDK defaults to .cpuAndNeuralEngine on iOS 16+ rather than .all: in a real-time camera app the GPU is already busy compositing the preview and overlays, so excluding it avoids contention and frame-time jitter while the ANE does the heavy lifting. Pin .cpuOnly only for compatibility testing — the table above shows what it costs.

Running a CoreML model from Python on a Mac host (via Ultralytics or coremltools) follows the same rule: Ultralytics loads with ComputeUnit.CPU_AND_NE (macOS 13+, falling back to CPU_ONLY on older macOS), keeping inference on the Neural Engine (~3× faster than CPU). This also avoids a current macOS host limitation where the default ComputeUnit.ALL / CPU_AND_GPU — which add the GPU/MPSGraph compile path — abort the process with an Error: MLIR pass manager failed assertion on coremltools 9.x.

Link to this sectionDışa Aktarılan YOLO26 CoreML Modellerini Dağıtma#

En hızlı yol resmi Ultralytics YOLO iOS SDK kullanmaktır; bu, Ultralytics iOS uygulamasını ve Flutter eklentisini destekleyen aynı Swift paketidir. Resmi model adlarını otomatik olarak çözer, .mlpackage dosyasını indirip önbelleğe alır ve tamamen çözülmüş sonuçları döndürür:

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
    }
}

Kamera uygulamaları için, yerel bindirmelerle gerçek zamanlı çıkarım için SDK'nın YOLOView öğesini kullan veya Android ile tek bir kod tabanını paylaşan platformlar arası uygulamalar için Flutter eklentisini kullan.

Ham bir .mlpackage dosyasını kendin entegre etmek de Apple'ın yığınıyla basittir: onu MLModel ile yükle, VNCoreMLRequest içine sar ve görüntüleri VNImageRequestHandler aracılığıyla besle. Bu kaynaklar ayrıntıları kapsar:

• Bir Core ML Modelini Uygulamana Entegre Etme: Apple'ın bir CoreML modelini paketleme ve çağırma rehberi.
• CoreML Tools: Bu dışa aktarmaya güç veren coremltools araç zinciri için dönüştürme, kuantizasyon ve optimizasyon referansı.
• Xcode Core ML Performans Raporları: Tam modelin ve cihazın için katman bazlı cihaz yerleşimi ve gecikme profili oluşturma.

Modeli ya uygulama paketine gömülü (anında kullanılabilirlik, nano/küçük modeller için ideal) ya da ilk çalıştırmada indirilip önbelleğe alınmış (daha küçük ikili dosya, kolay model güncellemeleri) şekilde gönder; resmi uygulamalar GitHub sürüm varlıklarıyla ikinci yaklaşımı kullanır.

Link to this sectionÖnerilen İş Akışı#

1. Modelini Ultralytics Eğitim modu ile eğit veya resmi YOLO26 ağırlıklarıyla başla.
2. macOS veya x86 Linux üzerinde model.export(format="coreml", quantize=8) ile dışa aktar
3. Mac üzerinde model.val() ile doğruluğu doğrula ve hedef cihazında bir Xcode Core ML Performans Raporu ile profil oluştur.
4. iOS SDK, Flutter eklentisi veya kendi Vision entegrasyonunla, .cpuAndNeuralEngine hedefleyerek dağıt.

Link to this sectionÖzet#

Bu rehberde, Ultralytics YOLO26 modellerini CoreML'in .mlpackage formatına nasıl aktaracağını, Apple Neural Engine için nasıl kuantize edeceğini ve bunları tek haneli milisaniye gecikmeleriyle nasıl dağıtacağını öğrendin; ister resmi iOS SDK ve Flutter eklentisi aracılığıyla ister kendi Vision entegrasyonunla. Diğer dağıtım hedefleri için entegrasyon rehberi sayfasına göz at ve Benchmark modu ile formatları karşılaştır.

Link to this sectionSSS#

Link to this sectionYOLO26 modellerini CoreML formatına nasıl aktarırım?#

Python'da model.export(format="coreml") komutunu veya macOS ya da x86 Linux'ta CLI üzerinden yolo export model=yolo26n.pt format=coreml komutunu çalıştır. Resmi uygulama modelleriyle eşleşmesi için quantize=8 ekle. Dışa aktarma işlemi, Xcode, iOS SDK veya Flutter eklentisi için hazır olan bir yolo26n.mlpackage ML Programı üretir.

Link to this sectionYOLO26'yı dışa aktarırken nms=True kullanmam gerekir mi?#

Hayır. YOLO26 uçtan uca NMS'sizdir, bu nedenle dışa aktarılan grafik halihazırda nihai algılamaları üretir ve kod çözme maliyeti bir milisaniyenin oldukça altındadır. nms=True seçeneği, uygulama tarafında bastırma işlemini uygulaman gerekmeyecek şekilde bir CoreML NMS işlem hattını gömen YOLO11 gibi önceki algılama modelleri için mevcuttur. CoreML NMS işlem hatları yalnızca nesne algılamayı destekler, bu nedenle nms=True seçeneği segmentasyon ve poz gibi diğer görevler için bir uyarıyla göz ardı edilir.

Link to this sectionHangi hassasiyeti kullanmalıyım — FP16 mı yoksa INT8 mi?#

Resmi Ultralytics uygulama modelleri INT8 olarak sunulur; bu, indirme boyutunu minimize eder ve yukarıdaki tablodaki hızlarda çalışır. quantize=16 (FP16), neredeyse hiç doğruluk kaybı olmayan tutarlı bir alternatiftir. Göndermeden önce Mac üzerinde model.val() ile tam dışa aktarımını doğrula.

Link to this sectionÇıkarımın Neural Engine üzerinde çalıştığından nasıl emin olurum?#

MLModelConfiguration.computeUnits = .cpuAndNeuralEngine (iOS 16+'da iOS SDK varsayılanı) olarak ayarla. Kamera uygulamalarında .all kullanmaktan kaçın; GPU önizlemeyi oluşturmakla meşguldür ve çıkarımı orada zamanlamak kare süresi titremesine neden olur. Yerleşimi bir Xcode Core ML Performans Raporu ile onayla.

Link to this sectionCoreML modellerini Ultralytics CLI ile çalıştırıp doğrulayabilir miyim?#

Evet, macOS üzerinde: yolo predict model=yolo26n.mlpackage source=image.jpg ve yolo val model=yolo26n.mlpackage data=coco8.yaml diğer tüm formatlar gibi çalışır. CoreML yürütme Apple donanımı gerektirir, bu nedenle bu modlar Linux ve Windows'ta kullanılamaz.

Link to this sectionYOLO26'yı bir iOS veya Flutter uygulamasında çalıştırmanın en hızlı yolu nedir?#

Resmi Ultralytics YOLO iOS SDK (Swift Paketi) veya Flutter eklentisini kullan. Her ikisi de resmi modelleri isme göre yükler, otomatik olarak indirip önbelleğe alır, Neural Engine üzerinde çalıştırır ve eksiksiz gerçek zamanlı kamera kullanıcı arayüzlerini içerir; yukarıdaki ölçülen performans tablosu tam olarak bu yığınla üretilmiştir.