YOLO26 模型的 CoreML 导出#

Apple 在每一代现代 iPhone、iPad 和 Mac 中都配备了专用 AI 芯片 Neural Engine，而 CoreML 是 Ultralytics 目前支持的模型部署路径。将Ultralytics YOLO26 模型导出为 CoreML，可将经过训练的 .pt 检查点转换为原生 .mlpackage，无需网络连接，也不会有数据离开设备，即可在设备上以低延迟运行全部七种 YOLO 任务。

什么是 CoreML？#

CoreML（Apple 将其名称写作“Core ML”）是 Apple 的设备端机器学习框架。它可加载现代 ML Program 格式的模型——也就是 Ultralytics 导出器生成的 .mlpackage 包——并在设备的 CPU、GPU 和 Apple 神经网络引擎（ANE）之间调度模型；ANE 是每款 Apple 芯片中专用的 NPU。由于所有运算都在本地执行，推理无需联网，不会产生网络延迟，用户数据也会留在设备上。

CoreML 可直接集成 Apple 的 Vision 框架，由该框架在输入模型时处理图像缩放和方向校正——这正是 Ultralytics iOS SDK 能以几乎零预处理开销将摄像头帧传给 YOLO 的方式。

为什么要将 YOLO26 导出为 CoreML？#

• 神经网络引擎速度：CoreML 会将受支持的运算调度到 Apple 的神经网络引擎上，以实现低延迟设备端推理。请参阅下方的实体设备表，并在目标硬件上对你的确切导出模型进行基准测试。
• 选择输出方式：默认导出会将 NMS 留给你的应用处理。使用 nms=True 嵌入 NMS，或使用 nms=False 采用 YOLO26 的无 NMS 检测头。
• 隐私安全，支持离线运行：所有计算都在设备上完成——无需与云端往返通信，无需 API 密钥，并能充分保护数据隐私。
• 一次导出，覆盖整个生态系统：同一个 .mlpackage 可运行于 iOS、iPadOS、macOS、watchOS、tvOS 和 visionOS，还为官方 Ultralytics iOS SDK 和 Flutter 插件提供支持。

实测性能#

在配备 12 GB 内存、运行 iOS 26.5.2 的 iPhone 17 Pro上，对标准化的 v8.3.0 YOLO26n INT8 CoreML 资源进行单张图像端到端推理。其 A19 Pro 配备 6 核 CPU （2 个性能核心和 4 个能效核心）、带神经加速器的 6 核 GPU，以及 16 核神经网络引擎。每个单元格 显示总耗时（预处理 + 推理 + 后处理，不包括 标注），下方列出各阶段的耗时。iOS 上，Vision 会在推理请求中完成输入缩放， 因此预处理耗时显示为 0，其开销计入推理耗时。

• 确切的 v8.3.0 发布资源为分类任务指定 224×224 输入，为其他所有任务指定 640×640 输入。
• 速度数值表示单张图像突发延迟——在 bus.jpg 上预热运行 3 次后再运行 15 次所得的平均值；测量通过 iOS SDK 的分阶段计时完成，使用 Flutter 插件的基准测试工具并在 profile 模式（优化后的原生代码）下运行。CPU/加速器顺序在一次连续测试中按任务交替。CPU 行请求 Core ML .cpuOnly；优先使用 CPU + ANE 的行请求 .cpuAndNeuralEngine，最终的运算放置由 Core ML 控制。持续实时摄像头运行的耗时会更高，因为它还包括采集和缩放流程以及热状态趋稳的过程。一次早期、尚未采用标准流程的摄像头测试，在同一设备上测得 YOLO26n 检测为 11.3 毫秒/帧、YOLO26n 深度估计为 16.5 毫秒/帧——有关稳态性能分析，请参阅iOS SDK 性能文档。
• 请在 LiteRT 集成中查看 Android CPU/GPU 结果，并在 Qualcomm QNN 集成中查看 Snapdragon NPU 结果。

支持的任务#

CoreML 导出支持 Ultralytics 的全部七种任务。语义分割和深度估计仅适用于 YOLO26，因为只有 YOLO26 系列提供这两种检测头。

将 YOLO26 模型导出为 CoreML#

安装#

要安装所需软件包，请运行：

# Install the required package for YOLO26
pip install ultralytics

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

用法#

CoreML 格式支持导出、预测和验证模式。使用 CoreML 进行推理和验证仅支持 macOS。导出模型后，加载导出的模型即可运行推理或验证其准确率。

from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

# 导出为 CoreML 并使用 INT8 权重量化，与官方应用模型保持一致
model.export(format="coreml", quantize=8, imgsz=640)  # 分类任务使用 imgsz=224

from ultralytics import YOLO

# 加载导出的 CoreML 模型（macOS）
model = YOLO("yolo26n.mlpackage")

# 运行推理
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# 加载导出的 CoreML 模型（macOS）
model = YOLO("yolo26n.mlpackage")

# 在 COCO8 数据集上验证准确率
metrics = model.val(data="coco8.yaml")

导出参数#

有关导出流程的更多详情，请访问 Ultralytics 导出文档页面。

以神经网络引擎为目标#

CoreML 通过 MLModelConfiguration.computeUnits 选择硬件。在 iOS 16 及更高版本上，Ultralytics iOS SDK 默认使用 .cpuAndNeuralEngine，而不是 .all：在实时摄像头应用中，GPU 已经忙于合成预览画面和叠加层，因此排除 GPU 可避免资源争用和帧耗时抖动，同时由 ANE 承担主要计算任务。仅在兼容性测试时固定使用 .cpuOnly——上表显示了这样做的代价。

通过 Ultralytics 或 coremltools 在 Mac 主机上使用 Python 运行 CoreML 模型时，规则相同：Ultralytics 使用 ComputeUnit.CPU_AND_NE 加载模型（macOS 13 及更高版本；较旧的 macOS 则回退到 CPU_ONLY），以便在神经网络引擎上执行推理（速度约为 CPU 的 ~3 倍）。这样也能避开当前 macOS 主机的一项限制：默认的 ComputeUnit.ALL / CPU_AND_GPU 会启用 GPU/MPSGraph 编译路径，从而因 coremltools 9.x 上的 Error: MLIR pass manager failed 断言而中止进程。

部署导出的 YOLO26 CoreML 模型#

最快捷的方式是使用官方 Ultralytics YOLO iOS SDK，它是为 Ultralytics iOS 应用和 Flutter 插件提供支持的同一个 Swift 软件包。它会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
    }
}

对于摄像头应用，可直接使用 SDK 的 YOLOView，通过原生叠加层进行实时推理；如果要开发与 Android 共用一套代码的跨平台应用，则可使用 Flutter 插件。

使用 Apple 技术栈自行集成原始 .mlpackage 也很简单——使用 MLModel 加载模型，将模型封装在 VNCoreMLRequest 中，再通过 VNImageRequestHandler 输入图像。以下资源介绍了相关细节：

• 将 Core ML 模型集成到应用中：Apple 提供的 CoreML 模型打包和调用指南。
• 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：针对你的具体模型和设备进行逐层设备分配与延迟分析。

你可以将模型打包到应用程序包中（立即可用，非常适合 nano/small 模型），也可以在首次运行时下载并缓存模型（安装包更小，更新模型更容易）。官方应用结合了这两种方式：默认 nano 模型会随应用打包，以便立即使用；较大的变体则按需下载并缓存在本地。

推荐工作流#

1. 使用 Ultralytics 训练模式训练模型，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) 导出（分类任务使用 imgsz=224）
3. 在 Mac 上使用 model.val() 验证准确率，并通过目标设备上的 Xcode Core ML 性能报告分析性能
4. 使用 iOS SDK、Flutter 插件或你自己的 Vision 集成进行部署，目标格式为 .cpuAndNeuralEngine

总结#

本指南介绍了如何将 Ultralytics YOLO26 模型导出为 CoreML 的 .mlpackage 格式、针对 Apple 神经网络引擎进行量化，并以个位数毫秒级延迟进行部署——你可以使用官方 iOS SDK 和 Flutter 插件，也可以自行集成 Vision。若要了解其他部署目标，请浏览集成指南页面，并通过基准测试模式比较不同格式。

常见问题#