针对 YOLO26 模型的 CoreML 导出#

Apple 在每款现代 iPhone、iPad 和 Mac 中都内置了专属的 AI 芯片——神经网络引擎（Neural Engine），而 CoreML 正是 Ultralytics 目前支持的将模型部署到该芯片的途径。将 Ultralytics YOLO26 模型导出为 CoreML，可将训练好的 .pt 检查点转换为原生 .mlpackage，从而在设备上以低延迟运行所有七个 YOLO 任务，且无需网络连接，数据也不会离开设备。

什么是 CoreML？#

CoreML（被 Apple 称为“Core ML”）是 Apple 的端侧机器学习框架。它以现代的 ML Program 格式加载模型——即 Ultralytics 导出器生成的 .mlpackage 软件包——并将其调度到设备的 CPU、GPU 以及作为所有 Apple 硅芯片专用 NPU 的**苹果神经网络引擎（ANE）**上运行。由于所有计算均在本地运行，因此推理支持离线工作、不增加网络延迟，并能将用户数据保留在设备上。

CoreML 直接与 Apple 的视觉框架（Vision framework）集成，该框架负责在模型输入端处理图像缩放和方向——这也是 Ultralytics iOS SDK 能够以几乎零预处理成本向 YOLO 提供相机帧的方式。

为什么将 YOLO26 导出为 CoreML？#

• Neural Engine 速度：CoreML 会将支持的操作调度到 Apple 的 Neural Engine 上，以实现低延迟的设备端推理。请参阅下方的物理设备表格，并在你的目标硬件上对你的确切导出进行基准测试。
• 天生无 NMS：YOLO26 是端到端的，因此导出的图不需要 NMS 流水线，解码时间不到一毫秒。像 YOLO11 这样的旧检测模型可以通过 nms=True 嵌入 CoreML NMS 流水线。
• 私密且离线：所有计算均保留在设备上——无需云端往返、无需 API 密钥，保障完全的数据隐私。
• 一次导出，全生态通用：同一个 .mlpackage 可在 iOS、iPadOS、macOS、watchOS、tvOS 和 visionOS 上运行，并为官方的 Ultralytics iOS SDK 和 Flutter 插件提供支持。

性能测试#

针对标准化 v8.3.0 YOLO26n INT8 CoreML 资产在配备 12 GB 内存和 iOS 26.5.2 的 iPhone 17 Pro 上进行的端到端单图推理。其 A19 Pro 拥有 6 核 CPU（2 个性能核心和 4 个能效核心）、带神经网络加速器的 6 核 GPU 以及 16 核神经网络引擎。每个单元格显示的是总时间（预处理 + 推理 + 后处理，不含注释），其下方列出了各个阶段的耗时拆分。在 iOS 上，Vision 会在推理请求内部执行输入缩放，因此预处理报告为 0，其开销已包含在推理中。

• 确切的 v8.3.0 发布资产声明分类输入为 224×224，所有其他任务均为 640×640。
• 速度值是单图突发延迟——在 bus.jpg 上经过 3 次预热运行后 15 次运行的平均值，通过 iOS SDK 的各阶段计时并通过配置文件模式下的 Flutter 插件基准测试工具（经过优化的原生代码）进行测量。CPU/加速器顺序在一次顺序扫描中各任务交替执行。CPU 行请求 Core ML .cpuOnly；CPU + 优先使用 ANE 行请求 .cpuAndNeuralEngine，最终的操作放置位置由 Core ML 控制。持续的实时相机运行时间会更高，因为它包含捕获和缩放流水线以及热平衡。在同一设备上进行的早期预标准相机扫描测得 YOLO26n 检测为 11.3 毫秒/帧，YOLO26n 深度为 16.5 毫秒/帧——请参阅 iOS SDK 性能文档了解稳态分析。
• 在 LiteRT 集成中对比 Android CPU/GPU 结果，在 Qualcomm QNN 集成中对比 Snapdragon NPU 结果。

支持的任务#

CoreML 导出支持所有七个 Ultralytics 任务。语义分割和深度估计仅在使用 YOLO26 时可用，这是唯一带有这些输出头的模型系列。

将 YOLO26 模型导出到 CoreML#

安装#

要安装所需的软件包，请运行：

# Install the required package for YOLO26
pip install ultralytics

coremltools 转换器在首次导出时会自动安装。导出可在 macOS 或 x86 Linux 上运行；有关详细说明和最佳实践，请查看我们的安装指南和常见问题指南。

用法#

CoreML 格式支持导出（Export）、预测（Predict）和验证（Validate）模式。使用 CoreML 进行推理和验证仅能在 macOS 上运行。导出模型后，加载导出的模型即可运行推理或验证其准确性。

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")

导出参数#

有关导出过程的更多详细信息，请访问 Ultralytics 关于导出的文档页面。

针对 Neural Engine 进行优化#

CoreML 通过 MLModelConfiguration.computeUnits 选择硬件。Ultralytics iOS SDK 在 iOS 16+ 上默认使用 .cpuAndNeuralEngine 而非 .all：在实时相机应用中，GPU 已经忙于合成预览和叠加层，因此将其排除可以避免争用和帧时间抖动，同时由 ANE 承担繁重的工作。仅在进行兼容性测试时才固定使用 .cpuOnly——上表显示了这样做的代价。

从 Python 在 Mac 主机上运行 CoreML 模型（通过 Ultralytics 或 coremltools）遵循相同的规则：Ultralytics 通过 ComputeUnit.CPU_AND_NE 加载（macOS 13+，在较旧的 macOS 上回退到 CPU_ONLY），将推理保持在 Neural Engine 上（比 CPU 快 ~3 倍）。这还可以避免当前 macOS 主机的限制，即默认的 ComputeUnit.ALL / CPU_AND_GPU（它们添加了 GPU/MPSGraph 编译路径）会在 coremltools 9.x 上的 Error: MLIR pass manager failed 断言处中止进程。

部署已导出的 YOLO26 CoreML 模型#

最快的途径是官方的 Ultralytics YOLO iOS SDK，即驱动 Ultralytics iOS 应用和 Flutter 插件的同一个 Swift 软件包。它能自动解析官方模型名称、下载并缓存 .mlpackage，并返回完全解码的结果：

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
    }
}

对于相机应用，可以直接嵌入 SDK 的 YOLOView 以实现带原生叠加层的实时推理，或者使用 Flutter 插件来开发与 Android 共享一个代码库的跨平台应用。

使用 Apple 的技术栈自己集成原始的 .mlpackage 也非常简单——使用 MLModel 加载它，将其包装在 VNCoreMLRequest 中，并通过 VNImageRequestHandler 馈送图像。以下资源涵盖了详细信息：

• 将 Core ML 模型集成到你的应用中：Apple 关于打包和调用 CoreML 模型的指南。
• CoreML Tools：为本次导出提供支持的 coremltools 工具链的转换、量化和优化参考。
• Xcode Core ML 性能报告：针对你的确切模型和设备的逐层设备放置和延迟分析。

将模型嵌入应用包中发布（即时可用，非常适合 nano/small 模型）或在首次运行时下载并缓存（更小的二进制文件，易于模型更新）。官方应用程序结合了这两种方法：默认的 nano 模型打包在一起以供立即使用，而较大的变体按需下载并在本地缓存。

推荐工作流程#

1. 使用 Ultralytics 训练模式训练你的模型，或从官方 YOLO26 权重开始
2. 在 macOS 或 x86 Linux 上使用 model.export(format="coreml", quantize=8, imgsz=640) 进行导出（分类使用 imgsz=224）
3. 在 Mac 上使用 model.val() 验证准确性，并在目标设备上使用 Xcode Core ML 性能报告进行分析
4. 使用 iOS SDK、Flutter 插件或你自己的 Vision 集成进行部署，目标定位为 .cpuAndNeuralEngine

总结#

在本指南中，你学习了如何将 Ultralytics YOLO26 模型导出为 CoreML 的 .mlpackage 格式，针对 Apple 神经网络引擎对其进行量化，并以单毫秒级的延迟进行部署——无论是通过官方 iOS SDK 和 Flutter 插件还是你自己的 Vision 集成。有关其他部署目标，请浏览集成指南页面，并通过基准测试模式对比格式。

常见问题解答#