CoreMLを使用してUltralytics YOLO11をAppleデバイスに導入する

AppleがApple Intelligenceのような機能を導入していることから、デバイス上で動作するAIが、スマートフォンの使い方の中心になりつつあることは明らかです。開発者にとってこの変化は、コンピュータービジョンなどの機能を活用して、よりスマートで応答性の高い体験を提供するiOSアプリをユーザーが利用するようになっていることを意味します。

コンピュータービジョンは、画像や動画などの視覚情報をコンピューターが理解して分析できるようにする人工知能（AI）の一種です。モバイルデバイスでは、スマートフォンのカメラを通じて、物体の検出、分類、認識をリアルタイムに行えます。Ultralytics YOLO11のようなビジョンAIモデルは、アプリのニーズに応じて特定の物体を認識するようにカスタムトレーニングできます。

ただし、Ultralytics YOLO11は、初期状態ではiOSで動作するように設定されていません。iPhoneやその他のAppleデバイス、特にオフライン環境にYOLO11をデプロイするには、Appleのエコシステムに最適化された形式に変換する必要があります。

まさにこの課題を解決するためにCoreMLが開発されました。CoreMLはAppleの機械学習フレームワークであり、モデルをローカルで実行し、iOSやmacOSのアプリケーションに直接統合できるよう設計されています。UltralyticsがサポートするCoreML統合により、iPhone上でローカルにデプロイするためのモデルのエクスポートが簡単になります。

この記事では、Ultralytics YOLO11モデルをCoreML形式にエクスポートする方法を詳しく解説します。また、iOSデバイス上でコンピュータービジョンモデルを直接実行するメリットを示す、リアルタイムのユースケースも紹介します。

CoreMLとは何ですか？#

CoreMLは、Appleが開発した機械学習（ML）フレームワークで、開発者がトレーニング済みのMLモデルを、iOS（iPhoneおよびiPad）、macOS（Mac）、watchOS（Apple Watch）、tvOS（Apple TV）など、Appleのエコシステム全体のアプリに直接統合できるようにします。インターネット接続がなくてもモデルをデバイス上で直接実行できるため、Appleデバイスで機械学習を手軽かつ効率的に利用できるよう設計されています。

CoreMLの中核には、画像分類、物体検出、音声認識、自然言語処理など、幅広いAIタスクに対応する統一モデル形式があります。このフレームワークはAppleのハードウェアを最大限に活用できるよう最適化されており、CPU（中央処理装置）、GPU（グラフィックス処理装置）、ANE（Apple Neural Engine）を使用してモデルを迅速かつ効率的に実行します。

CoreMLはさまざまな種類のモデルに対応し、TensorFlow、PyTorch、scikit-learn、XGBoost、LibSVMなどの一般的な機械学習ライブラリと互換性があります。そのため、開発者はAppleデバイス全体でスムーズに動作することを確保しながら、高度なML機能を日常的なアプリに取り入れやすくなります。

図1. CoreMLは他の一般的なAIフレームワークのモデルに対応しています（出典）。

CoreMLの主な機能#

CoreMLがAppleアプリへのAI統合に信頼性の高いツールとなる、主な機能をいくつか紹介します。

• モデルの最適化：CoreMLは量子化やプルーニングなどの圧縮技術をサポートしており、モデルサイズを縮小し、実行時の効率を向上させます。
• デバイス上でのパーソナライズ： AppleのMLフレームワークはデバイス上でのパーソナライズに対応しており、ユーザーとのインタラクションに基づいてモデルをローカルでトレーニングし、更新できます。
• 非同期予測： このフレームワークを使うと、アプリはバックグラウンドで予測を実行できるため、AIタスクの処理中もユーザーインターフェースの滑らかさと応答性を保てます。
• マルチタスク学習：CoreMLは、同じ画像内での物体検出とテキスト認識など、複数のタスクを同時に実行できるモデルをサポートしています。

Ultralytics YOLO11をCoreML形式にエクスポートする方法#

CoreMLフレームワークについて理解が深まったところで、UltralyticsがサポートするCoreML統合を使い、YOLO11モデルをCoreML形式にエクスポートする手順を説明します。

ステップ1：環境のセットアップ#

Ultralyticsが提供する統合機能を利用するには、まずUltralytics Pythonパッケージをインストールします。軽量で使いやすいライブラリであり、Ultralytics YOLOモデルのトレーニング、評価、予測、エクスポートなどのタスクを簡素化します。

コマンドターミナルで「pip install ultralytics」を実行すると、Ultralytics Pythonパッケージをインストールできます。Jupyter NotebookやGoogle Colabなどの環境を使用する場合は、コマンドの前に感嘆符（!）を付けて「!pip install ultralytics」と入力してください。

インストール中やCoreMLへのエクスポート中に問題が発生した場合は、Ultralyticsの公式ドキュメントまたはよくある問題のガイドを参照してください。

ステップ2：Ultralytics YOLO11をCoreMLにエクスポートする#

パッケージが正常にインストールされたら、Ultralytics YOLO11モデルを読み込み、CoreML形式に変換する準備が整います。

使用する事前学習済みYOLO11モデルがわからない場合は、Ultralytics PlatformでYOLO11のモデルサイズを確認できます。それぞれ速度、サイズ、精度のバランスが異なるため、プロジェクトに最適なものを選べます。独自のデータセットで学習させたカスタムYOLO11モデルも使用できます。

以下のコードスニペットでは、「yolo11n.pt」という名前の事前トレーニング済みYOLO11モデルファイルを使用します。エクスポート処理では、「yolo11n.mlpackage」というCoreMLパッケージに変換されます。

「yolo11n」モデルはナノバージョンで、速度と低いリソース使用量に最適化されています。プロジェクトの要件に応じて、「s」（小型）、「m」（中型）、「l」（大型）、「x」（特大型）など、他のモデルサイズも選択できます。各バージョンは速度と精度のバランスが異なります。同じエクスポート手順は、Ultralytics YOLO26などの新しいモデルにも適用できます。

from ultralytics import YOLO

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

ステップ3：エクスポートしたCoreMLモデルで推論を実行する#

CoreML形式にエクスポートすると、Ultralytics YOLO11をiOSアプリケーションに簡単に統合でき、iPhone、iPad、Macなどのデバイス上で物体検出といったコンピュータービジョンタスクをリアルタイムに実行できます。

たとえば、以下のコードスニペットでは、エクスポートしたCoreMLモデルを読み込み、推論を実行する方法を示します。推論とは、トレーニング済みモデルを使って新しいデータを予測する処理です。この例では、モデルがボールで遊ぶ家族の画像を分析します。

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

コードを実行すると、出力画像が「runs/detect/predict」フォルダーに保存されます。

図2. エクスポートしたCoreML形式のUltralytics YOLO11モデルを使った物体検出。画像提供：著者。

エクスポートしたCoreMLモデルはどこで使用できますか？#

Ultralytics YOLO11をCoreMLにエクスポートすると、iPhone、iPad、Mac上で効率的に動作する、多様なコンピュータービジョンアプリケーションを柔軟に構築できます。続いて、この統合が特に役立つ実際のシナリオをいくつか見ていきましょう。

CoreMLモデルを活用した拡張現実とゲームアプリ#

拡張現実（AR）は、ライブカメラ映像に仮想要素を重ねて、デジタルコンテンツと現実世界を融合させます。よりインタラクティブで没入感のある体験を生み出すため、モバイルゲームにおいて重要な役割を担うようになっています。

Ultralytics YOLO11をCoreML形式にエクスポートすると、iOS開発者はスマートフォンのカメラを使って、ベンチ、木、標識などの現実世界の物体を認識するARゲームを構築できます。ゲームでは、こうした物体の上にコイン、ヒント、キャラクターなどの仮想アイテムを重ねて、プレイヤーを取り巻く環境をより魅力的にできます。

この仕組みは、物体検出と物体追跡によって動作します。Ultralytics YOLO11が物体をリアルタイムに検出して識別し、追跡機能がカメラの移動中も物体を視野内に捉えることで、仮想要素が現実世界とずれないようにします。

プレイヤーはスマートフォンをかざして周囲を探索し、見えているものとインタラクションして、アイテムを集めたり短いチャレンジを達成したりできます。これらすべてをインターネット接続なしでデバイス上で直接実行できるため、滑らかで魅力的な体験を実現できます。

リアルタイムANPR向けのCoreMLモデル統合iOSアプリ#

自動ナンバープレート認識（ANPR）は、車両のナンバープレートを検出して読み取るためのコンピュータービジョンアプリケーションです。セキュリティ、交通監視、アクセス制御システムなどで広く使用されています。CoreMLとYOLO11のようなモデルにより、ANPRをiOSデバイス上で効率的に実行できるようになりました。

iPhoneにANPRアプリがあれば、セキュリティを重視する環境で特に役立ちます。たとえば、制限区域に進入する車両が許可されているかどうかを、チームがすばやく判断するのに役立ちます。

このようなアプリは、CoreMLを通じて統合したUltralytics YOLO11などのビジョンAIモデルを使い、デバイスのカメラで車両を検出し、ナンバープレートの位置をリアルタイムで特定できます。ナンバープレートを検出した後、光学文字認識（OCR）技術で登録番号を読み取れます。続いて、アプリはこの番号をローカルまたはクラウド上のデータベースと照合し、アクセスを確認したり、許可されていない車両に警告を出したりできます。

図3. ビジョンAIをナンバープレート番号の検出と読み取りに活用できます（出典）。

アクセシビリティに特化したアプリで活用できるCoreMLモデル#

AIはアクセシビリティに大きな影響を与え、視覚障害のある人々の障壁を取り除くのに役立っています。CoreMLやUltralytics YOLO11などのコンピュータービジョンモデルを活用すると、開発者はユーザーの周囲の状況をリアルタイムに説明するiOSアプリを構築でき、日常の作業をより簡単かつ自立して行えるようになります。

たとえば、視覚障害のある人はiPhoneのカメラを周囲に向けることができます。アプリは物体検出を使って、車両、人、道路標識などの重要な要素を認識し、見えているものを音声で説明します。混雑した道路の移動や緊急事態の把握などに活用できます。

図4. Ultralytics YOLO11を使って人を検出する例

重要なポイント#

Ultralytics YOLO11をCoreML形式にエクスポートすると、iOSデバイス上でのオフライン物体検出など、リアルタイムアプリケーションの新たな可能性が広がります。ゲームやセキュリティからアクセシビリティまで、この組み合わせにより、開発者はデバイス上だけで動作する、スマートで効率的かつプライバシーを重視したアプリを構築できます。

簡単な手順をいくつか実行するだけで、Ultralytics YOLO11モデルを変換し、iPhoneに信頼性の高いコンピュータービジョン機能を追加できます。何より、インターネット接続は不要です。CoreML統合により、高度なAIの力を日常的なモバイルアプリで活用でき、アプリの高速化と応答性の向上を実現し、場所を問わず実行できるようになります。

AIについてもっと知りたい方は、GitHubリポジトリを確認し、コミュニティに参加して、コンピュータービジョンプロジェクトを始めるためのライセンスオプションをご覧ください。小売業におけるAIや物流におけるコンピュータービジョンなどのイノベーションが未来をどのように形作っているか、ソリューションページでご確認ください。