Intégrer Ultralytics YOLO11 aux appareils Apple via CoreML

Avec l’introduction par Apple de fonctionnalités comme Apple Intelligence, il est clair que l’IA embarquée devient un élément central de l’utilisation de nos téléphones. Pour les développeurs, cette évolution signifie que les utilisateurs adoptent des applications iOS qui exploitent des capacités comme la vision par ordinateur afin de proposer des expériences plus intelligentes et plus réactives.

La vision par ordinateur est une forme d’intelligence artificielle (IA) qui permet aux ordinateurs de comprendre et d’analyser des informations visuelles, comme des images ou des vidéos. Sur les appareils mobiles, elle peut servir en temps réel à détecter et à classifier des objets, ainsi qu’à interagir avec eux au moyen de l’appareil photo du téléphone. Les modèles d’IA de vision comme Ultralytics YOLO11 peuvent être entraînés sur mesure pour reconnaître des objets précis, selon les besoins de ton application.

Cependant, Ultralytics YOLO11 n’est pas prêt à fonctionner sur iOS dès son installation. Pour déployer YOLO11 sur des iPhone ou d’autres appareils Apple, notamment pour une utilisation hors ligne, il faut le convertir dans un format optimisé pour l’écosystème Apple.

C’est exactement le problème que CoreML a été conçu pour résoudre. CoreML est le cadre d’apprentissage automatique d’Apple, conçu pour exécuter des modèles localement et s’intégrer directement aux applications iOS et macOS. L’intégration CoreML, prise en charge par Ultralytics, facilite l’exportation de ton modèle pour le déployer localement sur des iPhone.

Dans cet article, nous allons examiner de plus près comment exporter ton modèle Ultralytics YOLO11 au format CoreML. Nous explorerons également des cas d’utilisation en temps réel qui illustrent les avantages de l’exécution de modèles de vision par ordinateur directement sur des appareils iOS.

Qu’est-ce que CoreML ?#

CoreML est un framework d’apprentissage automatique (ML) développé par Apple qui permet aux développeurs d’intégrer des modèles ML entraînés directement dans des applications de l’écosystème Apple, notamment iOS (iPhone et iPad), macOS (Mac), watchOS (Apple Watch) et tvOS (Apple TV). Il est conçu pour rendre l’apprentissage automatique accessible et efficace sur les appareils Apple, en permettant aux modèles de s’exécuter directement sur l’appareil, sans connexion Internet.

Au cœur de CoreML se trouve un format de modèle unifié qui prend en charge un large éventail de tâches d’IA, comme la classification d’images, la détection d’objets, la reconnaissance vocale et le traitement du langage naturel. Le framework est optimisé pour tirer le meilleur parti du matériel Apple et s’appuie sur le CPU (processeur central), le GPU (processeur graphique) et l’ANE (Apple Neural Engine) pour exécuter les modèles rapidement et efficacement.

CoreML prend en charge différents types de modèles et est compatible avec des bibliothèques populaires d’apprentissage automatique, notamment TensorFlow, PyTorch, scikit-learn, XGBoost et LibSVM. Les développeurs peuvent ainsi plus facilement intégrer des capacités avancées de ML dans des applications courantes, tout en garantissant leur bon fonctionnement sur les appareils Apple.

Fig. 1. CoreML prend en charge les modèles issus d’autres frameworks d’IA populaires (Source).

Principales fonctionnalités de CoreML#

Voici quelques-unes des principales fonctionnalités qui font de CoreML un outil fiable pour intégrer l’IA aux applications Apple :

• Optimisation des modèles : CoreML prend en charge des techniques de compression comme la quantification et l’élagage pour réduire la taille des modèles et améliorer leur efficacité à l’exécution.
• Personnalisation sur l’appareil : Le framework ML d’Apple prend en charge la personnalisation sur l’appareil, ce qui permet d’entraîner et de mettre à jour les modèles localement en fonction des interactions des utilisateurs.
• Prédictions asynchrones : Ce framework permet à ton application d’effectuer des prédictions en arrière-plan, afin de maintenir une interface utilisateur fluide et réactive pendant l’exécution des tâches d’IA.
• Apprentissage multitâche : CoreML prend en charge les modèles capables d’effectuer plusieurs tâches à la fois, comme détecter des objets et reconnaître du texte dans une même image.

Comment exporter Ultralytics YOLO11 au format CoreML#

Maintenant que nous comprenons mieux le framework CoreML, voyons comment utiliser l’intégration CoreML prise en charge par Ultralytics pour exporter un modèle YOLO11 au format CoreML.

Étape 1 : Configurer ton environnement#

Pour accéder aux fonctionnalités d’intégration proposées par Ultralytics, commence par installer le package Python Ultralytics. Cette bibliothèque légère et facile à utiliser simplifie des tâches comme l’entraînement, l’évaluation, la prédiction et l’exportation des modèles Ultralytics YOLO.

Tu peux installer le package Python Ultralytics en exécutant « pip install ultralytics » dans ton terminal de commande. Si tu utilises un environnement comme Jupyter Notebook ou Google Colab, ajoute un point d’exclamation (!) devant la commande : « !pip install ultralytics ».

Si tu rencontres des problèmes pendant l’installation ou l’exportation vers CoreML, consulte la documentation officielle d’Ultralytics ou le guide des problèmes courants pour obtenir de l’aide.

Étape 2 : Exporter Ultralytics YOLO11 au format CoreML#

Une fois le package installé correctement, tu peux charger un modèle Ultralytics YOLO11 et le convertir au format CoreML.

Si tu ne sais pas quel modèle YOLO11 préentraîné utiliser, tu peux consulter les tailles de modèles YOLO11 sur Ultralytics Platform. Chacune offre un équilibre différent entre vitesse, taille et précision, ce qui te permet de choisir celle qui convient le mieux à ton projet. Tu peux également utiliser un modèle YOLO11 entraîné sur mesure si tu l’as entraîné sur ton propre jeu de données.

Dans l’extrait de code ci-dessous, un fichier de modèle YOLO11 préentraîné nommé « yolo11n.pt » est utilisé. Pendant l’exportation, il est converti en un package CoreML nommé « yolo11n.mlpackage ».

Le modèle « yolo11n » est la version nano, optimisée pour la vitesse et une faible consommation de ressources. Selon les besoins de ton projet, tu peux également choisir d’autres tailles de modèle : « s » pour petit, « m » pour moyen, « l » pour grand ou « x » pour très grand. Chaque version offre un équilibre différent entre vitesse et précision. Les mêmes étapes d’exportation s’appliquent aussi aux modèles plus récents comme Ultralytics YOLO26.

from ultralytics import YOLO

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

Étape 3 : Exécuter l’inférence avec le modèle CoreML exporté#

Après son exportation au format CoreML, Ultralytics YOLO11 peut facilement être intégré à des applications iOS, ce qui permet d’effectuer des tâches de vision par ordinateur en temps réel, comme la détection d’objets, sur des appareils comme les iPhone, les iPad et les Mac.

Par exemple, l’extrait de code ci-dessous montre comment charger le modèle CoreML exporté et effectuer une inférence. L’inférence consiste à utiliser un modèle entraîné pour faire des prédictions sur de nouvelles données. Dans ce cas, le modèle analyse l’image d’une famille qui joue au ballon.

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

Après l’exécution du code, l’image de sortie sera enregistrée dans le dossier « runs/detect/predict ».

Fig. 2. Utilisation d’un modèle Ultralytics YOLO11 exporté au format CoreML pour détecter des objets. Image de l’auteur.

Où peut-on utiliser les modèles CoreML exportés ?#

L’exportation d’Ultralytics YOLO11 vers CoreML offre la flexibilité nécessaire pour créer diverses applications de vision par ordinateur capables de fonctionner efficacement sur des iPhone, des iPad et des Mac. Voyons maintenant quelques scénarios concrets où cette intégration peut être particulièrement utile.

Applications de réalité augmentée et de jeux propulsées par des modèles CoreML#

La réalité augmentée (AR) mêle des contenus numériques au monde réel en superposant des éléments virtuels à l’image en direct de l’appareil photo. Elle devient un élément essentiel des jeux mobiles et permet de créer des expériences plus interactives et immersives.

Avec Ultralytics YOLO11 exporté au format CoreML, les développeurs iOS peuvent créer des jeux en réalité augmentée qui reconnaissent, grâce à l’appareil photo du téléphone, des objets du monde réel comme des bancs, des arbres ou des panneaux. Le jeu peut ensuite superposer à ces objets des éléments virtuels, comme des pièces, des indices ou des créatures, afin d’enrichir l’environnement du joueur.

En coulisses, cela repose sur la détection et le suivi d’objets. Ultralytics YOLO11 détecte et identifie les objets en temps réel, tandis que le suivi les garde dans le champ de vision lorsque l’appareil photo bouge, afin que les éléments virtuels restent alignés sur le monde réel.

Les joueurs peuvent pointer leur téléphone, explorer leur environnement et interagir avec ce qu’ils voient pour collecter des objets ou relever de petits défis. Tout cela peut s’exécuter directement sur l’appareil, sans connexion Internet, pour une expérience fluide et captivante.

Applications iOS intégrant des modèles CoreML pour la reconnaissance automatique des plaques d’immatriculation en temps réel#

La reconnaissance automatique des plaques d’immatriculation (ANPR) est une application de vision par ordinateur utilisée pour détecter et lire les plaques d’immatriculation des véhicules. Elle est couramment utilisée dans les systèmes de sécurité, de surveillance du trafic et de contrôle d’accès. Grâce à CoreML et à des modèles comme YOLO11, l’ANPR peut désormais fonctionner efficacement sur les appareils iOS.

Une application ANPR sur ton iPhone peut être particulièrement utile dans les environnements où la sécurité est primordiale. Elle peut, par exemple, aider les équipes à déterminer rapidement si un véhicule entrant dans une zone réglementée est autorisé ou non.

Une telle application peut utiliser un modèle d’IA visuelle comme Ultralytics YOLO11, intégré via CoreML, pour détecter les véhicules et localiser leurs plaques d’immatriculation en temps réel avec la caméra de l’appareil. Une fois la plaque détectée, la reconnaissance optique de caractères (OCR) peut lire le numéro d’immatriculation. L’application peut ensuite comparer ce numéro à une base de données locale ou dans le cloud pour vérifier les autorisations d’accès ou signaler les véhicules non autorisés.

Fig. 3. L’IA de vision peut servir à détecter et à lire les numéros de plaques d’immatriculation. (Source).

Les applications axées sur l’accessibilité peuvent tirer parti des modèles CoreML#

L’IA a eu un impact considérable sur l’accessibilité et contribue à faire tomber les obstacles rencontrés par les personnes ayant une déficience visuelle. Grâce à des outils comme CoreML et à des modèles de vision par ordinateur comme Ultralytics YOLO11, les développeurs peuvent créer des applications iOS qui décrivent en temps réel le monde autour des utilisateurs, rendant les tâches quotidiennes plus faciles et plus autonomes.

Par exemple, une personne malvoyante peut pointer l’appareil photo de son iPhone vers son environnement. L’application utilise la détection d’objets pour reconnaître des éléments importants, comme des véhicules, des personnes ou des panneaux de signalisation, puis décrit ce qu’elle voit à voix haute. Cette fonctionnalité peut servir dans des situations comme la traversée d’une rue animée ou la compréhension d’une urgence.

Fig. 4. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter des personnes

Points clés à retenir#

L’exportation d’Ultralytics YOLO11 au format CoreML ouvre de nouvelles possibilités pour les applications en temps réel, notamment la détection d’objets hors ligne sur les appareils iOS. Des jeux à la sécurité en passant par l’accessibilité, cette combinaison permet aux développeurs de créer des applications intelligentes, efficaces et respectueuses de la vie privée, qui fonctionnent entièrement sur l’appareil.

En quelques étapes simples, tu peux convertir ton modèle Ultralytics YOLO11 et ajouter des fonctionnalités fiables de vision par ordinateur aux iPhone. Mieux encore, l’application fonctionne sans connexion Internet. Dans l’ensemble, l’intégration de CoreML apporte la puissance de l’IA avancée aux applications mobiles du quotidien, qui deviennent ainsi plus rapides, plus réactives et utilisables partout.

Tu veux en savoir plus sur l’IA ? Explore notre dépôt GitHub, échange avec notre communauté et consulte nos options de licence pour lancer ton projet de vision par ordinateur. Découvre comment des innovations comme l’IA dans le commerce de détail et la vision par ordinateur dans la logistique façonnent l’avenir sur nos pages consacrées aux solutions.