CoreML Xuất khẩu cho YOLO11 Mô hình

Việc triển khai các mô hình thị giác máy tính trên các thiết bị của Apple như iPhone và máy Mac yêu cầu một định dạng đảm bảo hiệu suất liền mạch.

Các CoreML định dạng xuất cho phép bạn tối ưu hóa các mô hình Ultralytics YOLO11 của mình để phát hiện đối tượng hiệu quả trong iOS và các ứng dụng macOS. Trong hướng dẫn này, chúng tôi sẽ hướng dẫn bạn các bước để chuyển đổi mô hình của bạn sang CoreML định dạng, giúp các mô hình của bạn hoạt động tốt hơn trên các thiết bị Apple.

CoreML

CoreML là khuôn khổ học máy cơ bản của Apple được xây dựng dựa trên Accelerate, BNNS và Metal Performance Shaders. Nó cung cấp định dạng mô hình học máy tích hợp liền mạch vào iOS ứng dụng và hỗ trợ các tác vụ như phân tích hình ảnh, xử lý ngôn ngữ tự nhiên , chuyển đổi âm thanh sang văn bản và phân tích âm thanh.

Các ứng dụng có thể tận dụng Core ML mà không cần kết nối mạng hoặc lệnh gọi API vì khung Core ML hoạt động bằng cách sử dụng điện toán trên thiết bị. Điều này có nghĩa là suy luận mô hình có thể được thực hiện cục bộ trên thiết bị của người dùng.

Các tính năng chính của CoreML Mô hình

của Apple CoreML khuôn khổ cung cấp các tính năng mạnh mẽ cho việc học máy trên thiết bị. Sau đây là các tính năng chính tạo nên CoreML một công cụ mạnh mẽ cho các nhà phát triển:

• Hỗ trợ mô hình toàn diện : Chuyển đổi và chạy các mô hình từ các khuôn khổ phổ biến như TensorFlow , PyTorch , scikit-learn, XGBoost và LibSVM.

• Học máy trên thiết bị : Đảm bảo quyền riêng tư của dữ liệu và xử lý nhanh chóng bằng cách thực hiện các mô hình trực tiếp trên thiết bị của người dùng, loại bỏ nhu cầu kết nối mạng.

• Hiệu suất và Tối ưu hóa : Sử dụng thiết bị CPU , GPU và Neural Engine để có hiệu suất tối ưu với mức sử dụng năng lượng và bộ nhớ tối thiểu. Cung cấp các công cụ để nén và tối ưu hóa mô hình trong khi vẫn duy trì độ chính xác .

• Dễ dàng tích hợp : Cung cấp định dạng thống nhất cho nhiều loại mô hình khác nhau và API thân thiện với người dùng để tích hợp liền mạch vào ứng dụng. Hỗ trợ các tác vụ cụ thể theo miền thông qua các khuôn khổ như Vision và Natural Language.

• Tính năng nâng cao : Bao gồm khả năng đào tạo trên thiết bị để có trải nghiệm được cá nhân hóa, dự đoán không đồng bộ cho trải nghiệm ML tương tác và các công cụ kiểm tra và xác thực mô hình.

CoreML Tùy chọn triển khai

Trước khi chúng ta xem xét mã để xuất YOLO11 các mô hình cho CoreML định dạng, chúng ta hãy hiểu nơi CoreML mô hình thường được sử dụng.

CoreML cung cấp nhiều tùy chọn triển khai cho các mô hình học máy, bao gồm:

• Triển khai trên thiết bị : Phương pháp này tích hợp trực tiếp CoreML mô hình vào của bạn iOS app. Nó đặc biệt có lợi khi đảm bảo độ trễ thấp, tăng cường quyền riêng tư (vì dữ liệu vẫn nằm trên thiết bị) và chức năng ngoại tuyến. Tuy nhiên, cách tiếp cận này có thể bị hạn chế bởi khả năng phần cứng của thiết bị, đặc biệt là đối với các mô hình lớn hơn và phức tạp hơn. Triển khai trên thiết bị có thể được thực hiện theo hai cách sau.

  • Mô hình nhúng : Các mô hình này được bao gồm trong gói ứng dụng và có thể truy cập ngay lập tức. Chúng lý tưởng cho các mô hình nhỏ không yêu cầu cập nhật thường xuyên.

  • Downloaded Models : Các mô hình này được lấy từ máy chủ khi cần. Cách tiếp cận này phù hợp với các mô hình lớn hơn hoặc những mô hình cần cập nhật thường xuyên. Nó giúp giữ kích thước gói ứng dụng nhỏ hơn.

• Triển khai dựa trên đám mây : CoreML các mô hình được lưu trữ trên máy chủ và được truy cập bởi iOS ứng dụng thông qua các yêu cầu API. Tùy chọn có thể mở rộng và linh hoạt này cho phép cập nhật mô hình dễ dàng mà không cần sửa đổi ứng dụng. Nó lý tưởng cho các mô hình phức tạp hoặc các ứng dụng quy mô lớn yêu cầu cập nhật thường xuyên. Tuy nhiên, nó yêu cầu kết nối internet và có thể gây ra các vấn đề về độ trễ và bảo mật.

Xuất khẩu YOLO11 Các mô hình để CoreML

Xuất khẩu YOLO11 ĐẾN CoreML cho phép hiệu suất học máy được tối ưu hóa trên thiết bị trong hệ sinh thái của Apple, mang lại lợi ích về hiệu quả, bảo mật và tích hợp liền mạch với iOS , nền tảng macOS, watchOS và tvOS.

Cài đặt

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO11
pip install ultralytics

Để biết hướng dẫn chi tiết và các biện pháp thực hành tốt nhất liên quan đến quy trình cài đặt, hãy xem hướng dẫn Cài đặt YOLO11 của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11 , nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Sự cố thường gặp của chúng tôi để biết giải pháp và mẹo.

Cách sử dụng

Trước khi tìm hiểu hướng dẫn sử dụng, hãy chắc chắn kiểm tra phạm vi các mẫu YOLO11 do Ultralytics cung cấp . Điều này sẽ giúp bạn chọn được mẫu phù hợp nhất cho yêu cầu dự án của mình.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to CoreML format
model.export(format="coreml")  # creates 'yolo11n.mlpackage'

# Load the exported CoreML model
coreml_model = YOLO("yolo11n.mlpackage")

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

# Export a YOLO11n PyTorch model to CoreML format
yolo export model=yolo11n.pt format=coreml  # creates 'yolo11n.mlpackage''

# Run inference with the exported model
yolo predict model=yolo11n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Để biết thêm chi tiết về quy trình xuất, hãy truy cập trang tài liệu Ultralytics về xuất .

Triển khai Đã xuất YOLO11 CoreML Mô hình

Đã xuất khẩu thành công Ultralytics YOLO11 mô hình để CoreML , giai đoạn quan trọng tiếp theo là triển khai các mô hình này một cách hiệu quả. Để biết hướng dẫn chi tiết về việc triển khai CoreML các mô hình trong nhiều môi trường khác nhau, hãy xem các tài nguyên sau:

• Công cụ CoreML : Hướng dẫn này bao gồm các hướng dẫn và ví dụ để chuyển đổi mô hình từ TensorFlow , PyTorch và các thư viện khác cho Core ML.

• ML và Tầm nhìn : Một bộ sưu tập các video toàn diện bao gồm nhiều khía cạnh khác nhau của việc sử dụng và triển khai CoreML mô hình.

• Tích hợp Mô hình ML cốt lõi vào Ứng dụng của bạn : Hướng dẫn toàn diện về việc tích hợp CoreML mô hình thành một iOS ứng dụng, trình bày chi tiết các bước từ khâu chuẩn bị mô hình đến triển khai mô hình vào ứng dụng cho nhiều chức năng khác nhau.

Bản tóm tắt

Trong hướng dẫn này, chúng tôi đã hướng dẫn cách xuất Ultralytics YOLO11 mô hình để CoreML định dạng. Bằng cách làm theo các bước được nêu trong hướng dẫn này, bạn có thể đảm bảo khả năng tương thích và hiệu suất tối đa khi xuất YOLO11 mô hình để CoreML .

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức CoreML .

Ngoài ra, nếu bạn muốn biết thêm về những điều khác Ultralytics YOLO11 tích hợp, hãy truy cập trang hướng dẫn tích hợp của chúng tôi. Bạn sẽ tìm thấy nhiều tài nguyên và thông tin chi tiết có giá trị ở đó.

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi xuất khẩu YOLO11 mô hình để CoreML định dạng?

Để xuất khẩu của bạn Ultralytics YOLO11 mô hình để CoreML định dạng, trước tiên bạn cần đảm bảo rằng bạn có ultralytics gói đã được cài đặt. Bạn có thể cài đặt nó bằng cách sử dụng:

pip install ultralytics

Tiếp theo, bạn có thể xuất mô hình bằng cách sử dụng lệnh sau Python hoặc CLI lệnh:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="coreml")

yolo export model=yolo11n.pt format=coreml

Để biết thêm chi tiết, hãy tham khảo phần Xuất mô hình YOLO11 sang CoreML trong tài liệu của chúng tôi.

Lợi ích của việc sử dụng là gì? CoreML để triển khai YOLO11 mô hình?

CoreML cung cấp nhiều lợi thế cho việc triển khai các mô hình Ultralytics YOLO11 trên các thiết bị Apple:

• Xử lý trên thiết bị : Cho phép suy luận mô hình cục bộ trên thiết bị, đảm bảo quyền riêng tư dữ liệu và giảm thiểu độ trễ.
• Tối ưu hóa hiệu suất : Tận dụng toàn bộ tiềm năng của thiết bị CPU , GPU và Neural Engine, tối ưu hóa cả tốc độ và hiệu quả.
• Dễ dàng tích hợp : Cung cấp trải nghiệm tích hợp liền mạch với hệ sinh thái của Apple, bao gồm iOS , macOS, watchOS và tvOS.
• Tính linh hoạt : Hỗ trợ nhiều tác vụ học máy như phân tích hình ảnh, xử lý âm thanh và xử lý ngôn ngữ tự nhiên bằng cách sử dụng CoreML khung.

Để biết thêm chi tiết về việc tích hợp CoreML mô hình thành một iOS ứng dụng, hãy xem hướng dẫn về Tích hợp Mô hình ML cốt lõi vào Ứng dụng của bạn .

Các tùy chọn triển khai cho là gì? YOLO11 mô hình xuất khẩu sang CoreML ?

Khi bạn xuất khẩu YOLO11 mô hình để CoreML định dạng, bạn có nhiều tùy chọn triển khai:

1. Triển khai trên thiết bị : Tích hợp trực tiếp CoreML mô hình vào ứng dụng của bạn để tăng cường quyền riêng tư và chức năng ngoại tuyến. Điều này có thể được thực hiện như sau:

   • Mô hình nhúng : Bao gồm trong gói ứng dụng, có thể truy cập ngay lập tức.
   • Mô hình đã tải xuống : Lấy từ máy chủ khi cần, giúp giảm kích thước gói ứng dụng.

2. Triển khai dựa trên đám mây : Máy chủ CoreML mô hình trên máy chủ và truy cập chúng thông qua các yêu cầu API. Phương pháp này hỗ trợ cập nhật dễ dàng hơn và có thể xử lý các mô hình phức tạp hơn.

Để được hướng dẫn chi tiết về việc triển khai CoreML mô hình, hãy tham khảo Tùy chọn triển khai CoreML .

Làm thế nào CoreML đảm bảo hiệu suất được tối ưu hóa cho YOLO11 mô hình?

CoreML đảm bảo hiệu suất được tối ưu hóa cho các mô hình Ultralytics YOLO11 bằng cách sử dụng nhiều kỹ thuật tối ưu hóa khác nhau:

• Tăng tốc phần cứng : Sử dụng thiết bị CPU , GPU và Neural Engine để tính toán hiệu quả.
• Nén mô hình : Cung cấp các công cụ nén mô hình để giảm kích thước mà không ảnh hưởng đến độ chính xác.
• Suy luận thích ứng : Điều chỉnh suy luận dựa trên khả năng của thiết bị để duy trì sự cân bằng giữa tốc độ và hiệu suất.

Để biết thêm thông tin về tối ưu hóa hiệu suất, hãy truy cập tài liệu chính thức của CoreML .

Tôi có thể chạy suy luận trực tiếp với dữ liệu đã xuất không? CoreML người mẫu?

Có, bạn có thể chạy suy luận trực tiếp bằng cách sử dụng CoreML mô hình. Dưới đây là các lệnh cho Python Và CLI :

from ultralytics import YOLO

coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://ultralytics.com/images/bus.jpg")

yolo predict model=yolo11n.mlpackage source='https://ultralytics.com/images/bus.jpg'

Để biết thêm thông tin, hãy tham khảo phần Sử dụng của CoreML hướng dẫn xuất khẩu.

📅 Được tạo cách đây 10 tháng ✏️ Đã cập nhật cách đây 2 tháng

Bình luận