Llevar Ultralytics YOLO11 a dispositivos Apple mediante CoreML

Con Apple introduciendo funciones como Apple Intelligence, está claro que la IA en el dispositivo se está convirtiendo en una parte fundamental del uso de nuestros teléfonos. Para los desarrolladores, este cambio significa que los usuarios están adoptando aplicaciones de iOS que utilizan capacidades como la visión artificial para ofrecer experiencias más inteligentes y ágiles.

La visión artificial es un tipo de inteligencia artificial (IA) que permite a los ordenadores comprender y analizar información visual, como imágenes o vídeos. En los dispositivos móviles, se puede usar en tiempo real para detectar, clasificar e interactuar con objetos a través de la cámara del teléfono. Los modelos de IA de visión como Ultralytics YOLO11 se pueden entrenar de forma personalizada para reconocer objetos concretos, según las necesidades de tu aplicación.

Sin embargo, Ultralytics YOLO11 no está preparado para ejecutarse en iOS directamente. Para implementar YOLO11 en iPhones u otros dispositivos Apple, sobre todo para usarlo sin conexión, hay que convertirlo a un formato optimizado para el ecosistema de Apple.

CoreML se creó precisamente para resolver este tipo de problema. CoreML es el marco de aprendizaje automático de Apple, diseñado para ejecutar modelos localmente e integrarlos directamente en aplicaciones de iOS y macOS. La integración de CoreML, compatible con Ultralytics, facilita la exportación de tu modelo para implementarlo localmente en iPhones.

En este artículo veremos más de cerca cómo exportar tu modelo Ultralytics YOLO11 al formato CoreML. También exploraremos casos de uso en tiempo real que muestran las ventajas de ejecutar modelos de visión artificial directamente en dispositivos iOS.

¿Qué es CoreML?#

CoreML es un marco de aprendizaje automático (ML) desarrollado por Apple que permite a los desarrolladores integrar modelos de ML entrenados directamente en aplicaciones de todo el ecosistema de Apple, incluidos iOS (iPhone y iPad), macOS (Mac), watchOS (Apple Watch) y tvOS (Apple TV). Está diseñado para que el aprendizaje automático sea accesible y eficiente en los dispositivos Apple, ya que permite ejecutar modelos directamente en el dispositivo, sin conexión a Internet.

CoreML se basa en un formato de modelo unificado que admite una amplia variedad de tareas de IA, como la clasificación de imágenes, la detección de objetos, el reconocimiento de voz y el procesamiento del lenguaje natural. El marco está optimizado para aprovechar al máximo el hardware de Apple y utiliza la unidad central de procesamiento (CPU), la unidad de procesamiento gráfico (GPU) y el motor neuronal de Apple (ANE) para ejecutar modelos de forma rápida y eficiente.

CoreML admite diversos tipos de modelos y es compatible con bibliotecas populares de aprendizaje automático, como TensorFlow, PyTorch, scikit-learn, XGBoost y LibSVM. Esto facilita a los desarrolladores incorporar capacidades avanzadas de ML en aplicaciones de uso diario y garantiza que funcionen sin problemas en los dispositivos Apple.

Fig. 1. CoreML admite modelos de otros marcos de IA populares (Fuente).

Características principales de CoreML#

Estas son algunas de las características principales que hacen de CoreML una herramienta fiable para integrar la IA en las aplicaciones de Apple:

• Optimización de modelos: CoreML admite técnicas de compresión, como la cuantización y la poda, para reducir el tamaño del modelo y mejorar la eficiencia durante la ejecución.
• Personalización en el dispositivo: El marco de ML de Apple admite la personalización en el dispositivo, lo que permite entrenar y actualizar modelos localmente a partir de las interacciones de los usuarios.
• Predicciones asíncronas: Este marco permite que tu aplicación realice predicciones en segundo plano, de modo que la interfaz de usuario siga siendo fluida y ágil mientras se ejecutan las tareas de IA.
• Aprendizaje multitarea: CoreML admite modelos capaces de realizar varias tareas a la vez, como detectar objetos y reconocer texto en una misma imagen.

Cómo exportar Ultralytics YOLO11 al formato CoreML#

Ahora que conocemos mejor el marco CoreML, veamos cómo usar la integración con CoreML compatible con Ultralytics para exportar un modelo YOLO11 al formato CoreML.

Paso 1: Configurar el entorno#

Para acceder a las funciones de integración que ofrece Ultralytics, empieza por instalar el paquete Ultralytics para Python. Es una biblioteca ligera y fácil de usar que simplifica tareas como entrenar, evaluar, predecir y exportar modelos Ultralytics YOLO.

Puedes instalar el paquete Ultralytics para Python ejecutando “pip install ultralytics” en el terminal de comandos. Si usas un entorno como Jupyter Notebook o Google Colab, añade un signo de exclamación (!) antes del comando: “!pip install ultralytics”.

Si tienes algún problema durante la instalación o al exportar a CoreML, consulta la documentación oficial de Ultralytics o la guía de problemas habituales para obtener ayuda.

Paso 2: Exportar Ultralytics YOLO11 a CoreML#

Cuando el paquete se haya instalado correctamente, podrás cargar un modelo Ultralytics YOLO11 y convertirlo al formato CoreML.

Si no tienes claro qué modelo YOLO11 preentrenado utilizar, puedes consultar los tamaños de los modelos YOLO11 en Ultralytics Platform. Cada uno ofrece un equilibrio distinto entre velocidad, tamaño y precisión, para que puedas elegir el más adecuado para tu proyecto. También puedes utilizar un modelo YOLO11 entrenado de forma personalizada si lo has entrenado con tu propio conjunto de datos.

En el fragmento de código siguiente se usa un archivo de modelo YOLO11 preentrenado llamado "yolo11n.pt". Durante el proceso de exportación, se convierte en un paquete CoreML llamado "yolo11n.mlpackage."

El modelo "yolo11n" es la versión nano, optimizada para ofrecer velocidad y consumir pocos recursos. Según las necesidades de tu proyecto, también puedes elegir otros tamaños de modelo, como "s" para pequeño, "m" para mediano, "l" para grande o "x" para extragrande. Cada versión ofrece un equilibrio distinto entre velocidad y precisión. Los mismos pasos de exportación también se aplican a modelos más recientes, como Ultralytics YOLO26.

from ultralytics import YOLO

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

Paso 3: Ejecutar inferencias con el modelo CoreML exportado#

Tras exportarlo al formato CoreML, Ultralytics YOLO11 se puede integrar fácilmente en aplicaciones de iOS para realizar tareas de visión artificial en tiempo real, como la detección de objetos, en dispositivos como iPhones, iPads y Macs.

Por ejemplo, el fragmento de código siguiente muestra cómo cargar el modelo CoreML exportado y realizar inferencias. La inferencia es el proceso de usar un modelo entrenado para hacer predicciones con datos nuevos. En este caso, el modelo analiza la imagen de una familia jugando con una pelota.

coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)

Al ejecutar el código, la imagen de salida se guardará en la carpeta "runs/detect/predict".

Fig. 2. Uso de un modelo Ultralytics YOLO11 exportado al formato CoreML para detectar objetos. Imagen del autor.

¿Dónde se pueden usar los modelos CoreML exportados?#

Exportar Ultralytics YOLO11 a CoreML aporta la flexibilidad necesaria para crear diversas aplicaciones de visión artificial que se ejecuten de forma eficiente en iPhones, iPads y Macs. A continuación, veremos algunos casos de uso reales en los que esta integración puede resultar especialmente útil.

Aplicaciones de realidad aumentada y juegos basados en modelos CoreML#

La realidad aumentada (AR) combina contenido digital con el mundo real al superponer elementos virtuales sobre las imágenes en directo de la cámara. Se está convirtiendo en un componente clave de los juegos para móviles, donde permite crear experiencias más interactivas e inmersivas.

Con Ultralytics YOLO11 exportado al formato CoreML, los desarrolladores de iOS pueden crear juegos de realidad aumentada que reconozcan objetos reales, como bancos, árboles o señales, mediante la cámara del teléfono. A continuación, el juego puede superponer elementos virtuales, como monedas, pistas o criaturas, sobre esos objetos para enriquecer el entorno del jugador.

En segundo plano, esto funciona mediante la detección y el seguimiento de objetos. Ultralytics YOLO11 detecta e identifica objetos en tiempo real, mientras que el seguimiento los mantiene a la vista cuando se mueve la cámara y garantiza que los elementos virtuales sigan alineados con el mundo real.

Los jugadores pueden apuntar con el teléfono, explorar su entorno e interactuar con lo que ven para recoger objetos o completar desafíos rápidos. Todo esto se puede ejecutar directamente en el dispositivo, sin necesidad de conexión a Internet, para ofrecer una experiencia fluida y atractiva.

Aplicaciones de iOS integradas con modelos CoreML para el reconocimiento de matrículas en tiempo real#

El reconocimiento automático de matrículas (ANPR) es una aplicación de visión artificial que se utiliza para detectar y leer matrículas de vehículos. Es habitual en sistemas de seguridad, supervisión del tráfico y control de acceso. Con CoreML y modelos como YOLO11, el ANPR ya puede ejecutarse de forma eficiente en dispositivos iOS.

Tener una aplicación de ANPR en tu iPhone puede resultar especialmente útil en entornos donde la seguridad es prioritaria. Por ejemplo, puede ayudar a los equipos a determinar rápidamente si un vehículo que entra en una zona restringida está autorizado.

Una aplicación de este tipo puede utilizar un modelo de IA visual como Ultralytics YOLO11, integrado mediante CoreML, para detectar vehículos y localizar sus matrículas en tiempo real con la cámara del dispositivo. Una vez detectada una matrícula, la tecnología de reconocimiento óptico de caracteres (OCR) puede leer su número. A continuación, la aplicación puede comparar ese número con una base de datos local o en la nube para verificar el acceso o señalar vehículos no autorizados.

Fig. 3. La IA de visión se puede utilizar para detectar y leer números de matrícula. (Fuente).

Aplicaciones de accesibilidad que pueden aprovechar los modelos CoreML#

La IA ha tenido un enorme impacto en la accesibilidad y ha ayudado a derribar barreras para las personas con discapacidad visual. Con herramientas como CoreML y modelos de visión artificial como Ultralytics YOLO11, los desarrolladores pueden crear aplicaciones de iOS que describan en tiempo real el mundo que rodea a los usuarios, para facilitarles las tareas cotidianas y darles más autonomía.

Por ejemplo, una persona con discapacidad visual puede apuntar con la cámara de su iPhone a lo que la rodea. La aplicación usa la detección de objetos para reconocer elementos importantes, como vehículos, personas o señales de tráfico, y los describe en voz alta. Esto puede ser útil en situaciones como cruzar una calle concurrida o comprender una emergencia.

Fig. 4. Ejemplo del uso de Ultralytics YOLO11 para detectar personas

Conclusiones clave#

Exportar Ultralytics YOLO11 al formato CoreML abre nuevas posibilidades para aplicaciones en tiempo real, incluida la detección de objetos sin conexión en dispositivos iOS. Desde los videojuegos y la seguridad hasta la accesibilidad, esta combinación permite a los desarrolladores crear aplicaciones inteligentes, eficientes y centradas en la privacidad que se ejecutan íntegramente en el dispositivo.

Con unos pocos pasos sencillos, puedes convertir tu modelo Ultralytics YOLO11 y añadir funciones fiables de visión artificial a los iPhones. Y lo mejor es que funciona sin conexión a Internet. En definitiva, la integración con CoreML lleva la potencia de la IA avanzada a las aplicaciones móviles de uso diario, que así son más rápidas, ágiles y están listas para ejecutarse en cualquier lugar.

¿Te interesa saber más sobre la IA? Explora nuestro repositorio de GitHub, únete a nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión artificial. Descubre cómo innovaciones como la IA en el comercio minorista y la visión artificial en la logística están dando forma al futuro en nuestras páginas de soluciones.