CoreML aracılığıyla Ultralytics YOLO11'i Apple cihazlarına taşıma

Apple'ın Apple Intelligence gibi özellikleri kullanıma sunması, cihaz içi yapay zekânın telefonlarımızı kullanma biçimimizin merkezine yerleştiğini açıkça gösteriyor. Geliştiriciler açısından bu değişim, kullanıcıların daha akıllı ve duyarlı deneyimler sunmak için bilgisayarlı görü gibi yeteneklerden yararlanan iOS uygulamalarını benimsediği anlamına geliyor.

Bilgisayarlı görü, bilgisayarların görüntü veya video gibi görsel bilgileri anlamasını ve analiz etmesini sağlayan bir yapay zekâ (AI) türüdür. Mobil cihazlarda telefonun kamerası aracılığıyla nesneleri gerçek zamanlı olarak algılamak, sınıflandırmak ve onlarla etkileşim kurmak için kullanılabilir. Ultralytics YOLO11 gibi yapay zekâlı görü modelleri, uygulamanın ihtiyaçlarına bağlı olarak belirli nesneleri tanıyacak şekilde özel olarak eğitilebilir.

Ancak Ultralytics YOLO11, kutudan çıktığı hâliyle iOS'ta çalışacak şekilde ayarlanmamıştır. YOLO11'i iPhone'lara veya diğer Apple cihazlarına, özellikle çevrimdışı kullanım için dağıtmak üzere Apple ekosistemi için optimize edilmiş bir biçime dönüştürmek gerekir.

CoreML tam da bu sorunu çözmek için geliştirildi. CoreML, modelleri yerel olarak çalıştırmak ve iOS ile macOS uygulamalarına doğrudan entegre etmek için tasarlanmış Apple makine öğrenimi çerçevesidir. Ultralytics tarafından desteklenen CoreML entegrasyonu, modelini iPhone’lara yerel olarak dağıtmak üzere dışa aktarmayı kolaylaştırır.

Bu yazıda Ultralytics YOLO11 modelini CoreML biçimine nasıl aktaracağına yakından bakacağız. Bilgisayarlı görü modellerini doğrudan iOS cihazlarda çalıştırmanın avantajlarını gösteren gerçek zamanlı kullanım örneklerini de inceleyeceğiz.

CoreML nedir?#

CoreML, Apple tarafından geliştirilen bir makine öğrenimi (ML) çerçevesidir. Geliştiricilerin eğitilmiş ML modellerini Apple ekosistemindeki iOS (iPhone ve iPad), macOS (Mac), watchOS (Apple Watch) ve tvOS (Apple TV) uygulamalarına doğrudan entegre etmesini sağlar. Modellerin internet bağlantısı gerektirmeden doğrudan cihazda çalışmasına imkân tanıyarak Apple cihazlarında makine öğrenimini erişilebilir ve verimli hâle getirmek üzere tasarlanmıştır.

CoreML'nin temelinde; görüntü sınıflandırma, nesne algılama, konuşma tanıma ve doğal dil işleme gibi çok çeşitli yapay zekâ görevlerini destekleyen birleşik bir model biçimi bulunur. Çerçeve, modelleri hızlı ve verimli biçimde çalıştırmak için CPU'yu (merkezi işlem birimi), GPU'yu (grafik işlem birimi) ve ANE'yi (Apple Neural Engine) kullanarak Apple donanımından en iyi şekilde yararlanacak biçimde optimize edilmiştir.

CoreML çeşitli model türlerini destekler ve TensorFlow, PyTorch, scikit-learn, XGBoost ve LibSVM dâhil olmak üzere popüler makine öğrenimi kitaplıklarıyla uyumludur. Bu sayede geliştiriciler, Apple cihazlarında sorunsuz çalışmasını sağlarken gelişmiş ML özelliklerini günlük uygulamalara daha kolay taşıyabilir.

Şekil 1. CoreML, diğer popüler yapay zekâ çerçevelerindeki modelleri destekler (Kaynak).

CoreML'nin temel özellikleri#

CoreML'yi yapay zekâyı Apple uygulamalarına entegre etmek için güvenilir bir araç hâline getiren temel özelliklerden bazıları şunlardır:

• Model optimizasyonu: CoreML, model boyutunu küçültmek ve çalışma zamanı verimliliğini artırmak için nicemleme ve budama gibi sıkıştırma tekniklerini destekler.
• Cihaz üzerinde kişiselleştirme: Apple'ın ML çerçevesi, modellerin kullanıcı etkileşimlerine göre yerel olarak eğitilip güncellenmesini sağlayan cihaz üzerinde kişiselleştirmeyi destekler.
• Asenkron tahminler: Bu çerçeve, yapay zekâ görevlerini yürütürken kullanıcı arayüzünü akıcı ve duyarlı tutarak uygulamanın arka planda tahminler çalıştırmasını sağlar.
• Çok görevli öğrenme: CoreML, aynı görüntüde nesneleri algılama ve metinleri tanıma gibi birden fazla görevi aynı anda gerçekleştirebilen modelleri destekler.

Ultralytics YOLO11'i CoreML biçimine aktarma#

CoreML çerçevesini artık daha iyi anladığımıza göre, YOLO11 modelini CoreML biçimine aktarmak için Ultralytics'in desteklediği CoreML entegrasyonunun nasıl kullanılacağını adım adım inceleyelim.

Adım 1: Ortamını hazırlama#

Ultralytics'in sunduğu entegrasyon özelliklerine erişmek için önce Ultralytics Python paketini yükle. Bu hafif ve kullanımı kolay kitaplık; Ultralytics YOLO modellerini eğitme, değerlendirme, tahmin yürütme ve dışa aktarma gibi görevleri kolaylaştırır.

Ultralytics Python paketini komut satırında “pip install ultralytics” komutunu çalıştırarak yükleyebilirsin. Jupyter Notebook veya Google Colab gibi bir ortam kullanıyorsan komutun önüne ünlem işareti (!) ekle: “!pip install ultralytics”.

Yükleme sırasında veya CoreML'ye dışa aktarırken sorun yaşarsan yardım için resmî Ultralytics belgelerine ya da Yaygın Sorunlar kılavuzuna bak.

Adım 2: Ultralytics YOLO11'i CoreML'ye aktarma#

Paket başarıyla yüklendiğinde Ultralytics YOLO11 modelini yükleyip CoreML biçimine dönüştürmeye hazırsın.

Hangi önceden eğitilmiş YOLO11 modelini kullanacağından emin değilsen Ultralytics Platform’daki YOLO11 model boyutlarını inceleyebilirsin. Her model hız, boyut ve doğruluk arasında farklı bir denge sunar; projen için en uygun olanı seçebilirsin. Kendi veri kümenle eğittiğin özel bir YOLO11 modelini de kullanabilirsin.

Aşağıdaki kod örneğinde "yolo11n.pt" adlı önceden eğitilmiş bir YOLO11 model dosyası kullanılıyor. Dışa aktarma işlemi sırasında dosya, "yolo11n.mlpackage" adlı bir CoreML paketine dönüştürülüyor.

"yolo11n" modeli, hız ve düşük kaynak kullanımı için optimize edilmiş nano sürümdür. Projenin ihtiyaçlarına bağlı olarak "s" küçük, "m" orta, "l" büyük veya "x" ekstra büyük gibi diğer model boyutlarını da seçebilirsin. Her sürüm hız ve doğruluk arasında farklı bir denge sunar. Aynı dışa aktarma adımları Ultralytics YOLO26 gibi daha yeni modeller için de geçerlidir.

from ultralytics import YOLO

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

Adım 3: Dışa aktarılan CoreML modelini kullanarak çıkarım yapma#

CoreML biçimine aktarıldıktan sonra Ultralytics YOLO11, iPhone, iPad ve Mac gibi cihazlarda nesne algılama gibi gerçek zamanlı bilgisayarlı görü görevlerini gerçekleştirmek üzere iOS uygulamalarına kolayca entegre edilebilir.

Örneğin, aşağıdaki kod örneğinde dışa aktarılan CoreML modelinin nasıl yükleneceği ve çıkarımın nasıl gerçekleştirileceği gösteriliyor. Çıkarım, eğitilmiş bir modelin yeni veriler üzerinde tahminler yapmak için kullanılmasıdır. Bu örnekte model, top oynayan bir ailenin görüntüsünü analiz ediyor.

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

Kod çalıştırıldıktan sonra çıktı görüntüsü "runs/detect/predict" klasörüne kaydedilir.

Şekil 2. Nesneleri algılamak için CoreML biçiminde dışa aktarılmış bir Ultralytics YOLO11 modeli kullanımı. Görselin sahibi: yazar.

Dışa aktarılan CoreML modelleri nerelerde kullanılabilir?#

Ultralytics YOLO11'i CoreML'ye aktarmak, iPhone, iPad ve Mac'lerde verimli biçimde çalışabilen çeşitli bilgisayarlı görü uygulamaları geliştirme esnekliği sunar. Şimdi bu entegrasyonun özellikle faydalı olabileceği bazı gerçek dünya senaryolarına bakalım.

CoreML modellerini kullanan artırılmış gerçeklik ve oyun uygulamaları#

Artırılmış gerçeklik (AR), sanal öğeleri canlı kamera görüntülerinin üzerine yerleştirerek dijital içeriği gerçek dünyayla birleştirir. Daha etkileşimli ve sürükleyici deneyimler sunarak mobil oyunların önemli bir parçası hâline geliyor.

Ultralytics YOLO11'i CoreML biçimine aktaran iOS geliştiricileri, telefonun kamerasını kullanarak banklar, ağaçlar veya tabelalar gibi gerçek dünya nesnelerini tanıyan AR oyunları geliştirebilir. Oyun, oyuncunun çevresini zenginleştirmek için bu nesnelerin üzerine bozuk para, ipucu veya yaratık gibi sanal öğeler yerleştirebilir.

Arka planda bu sistem nesne algılama ve nesne takibiyle çalışır. Ultralytics YOLO11 nesneleri gerçek zamanlı olarak algılayıp tanırken takip özelliği, kamera hareket ettikçe bu nesneleri görüntüde tutar ve sanal öğelerin gerçek dünyayla hizalı kalmasını sağlar.

Oyuncular telefonlarını yöneltebilir, çevrelerini keşfedebilir ve eşya toplamak veya kısa görevleri tamamlamak için gördükleriyle etkileşime geçebilir. Tüm bunlar internet bağlantısı gerektirmeden doğrudan cihazda çalışabilir; böylece akıcı ve ilgi çekici bir deneyim sunulur.

Gerçek zamanlı ANPR için CoreML modelleriyle entegre iOS uygulamaları#

Otomatik plaka tanıma (ANPR), araç plakalarını algılamak ve okumak için kullanılan bir bilgisayarlı görü uygulamasıdır. Güvenlik, trafik izleme ve erişim kontrolü sistemlerinde yaygın olarak kullanılır. CoreML ve YOLO11 gibi modellerle ANPR artık iOS cihazlarında verimli biçimde çalışabilir.

iPhone'unda ANPR uygulaması bulundurmak, güvenliğin ön planda olduğu ortamlarda özellikle kullanışlı olabilir. Örneğin, kısıtlı bir alana giren aracın yetkili olup olmadığını ekiplerin hızla belirlemesine yardımcı olabilir.

Böyle bir uygulama, gerçek zamanlı olarak araçları algılamak ve plakalarını cihazın kamerasıyla belirlemek için CoreML aracılığıyla entegre edilen Ultralytics YOLO11 gibi bir görsel yapay zekâ modelini kullanabilir. Bir plaka algılandığında optik karakter tanıma (OCR) teknolojisi plaka numarasını okuyabilir. Uygulama daha sonra erişimi doğrulamak veya yetkisiz araçları işaretlemek için bu numarayı yerel ya da bulut tabanlı bir veri tabanıyla karşılaştırabilir.

Şekil 3. Plaka numaralarını algılamak ve okumak için yapay zekâlı görü kullanılabilir. (Kaynak).

Erişilebilirliğe odaklanan uygulamalar CoreML modellerinden yararlanabilir#

Yapay zekâ, görme engelli kişilerin önündeki erişilebilirlik engellerini kaldırmaya yardımcı olarak büyük bir etki yarattı. CoreML ve Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanan geliştiriciler, kullanıcıların çevrelerindeki dünyayı gerçek zamanlı olarak anlatan iOS uygulamaları geliştirebilir; böylece günlük işler daha kolay ve bağımsız hâle gelir.

Örneğin, görme engelli bir kişi iPhone kamerasını çevresine doğrultabilir. Uygulama, araçlar, insanlar veya sokak tabelaları gibi önemli öğeleri nesne algılamayla tanır ve gördüklerini sesli olarak anlatır. Bu özellik, yoğun bir caddede yol bulma veya acil bir durumu anlama gibi durumlarda kullanılabilir.

Şekil 4. İnsanları algılamak için Ultralytics YOLO11 kullanımına bir örnek

Önemli çıkarımlar#

Ultralytics YOLO11’i CoreML biçimine aktarmak, iOS cihazlarda çevrimdışı nesne algılama da dahil olmak üzere gerçek zamanlı uygulamalar için yeni olanaklar sunar. Oyunlardan ve güvenlikten erişilebilirliğe kadar bu birleşim, geliştiricilerin tamamen cihaz üzerinde çalışan akıllı, verimli ve gizliliğe önem veren uygulamalar geliştirmesini sağlar.

Yalnızca birkaç basit adımla Ultralytics YOLO11 modelini dönüştürebilir ve iPhone'lara güvenilir bilgisayarlı görü özellikleri ekleyebilirsin. Üstelik internet bağlantısı gerektirmeden çalışır. Genel olarak CoreML entegrasyonu, gelişmiş yapay zekânın gücünü günlük mobil uygulamalara taşır; uygulamaları daha hızlı, daha duyarlı ve her yerde çalışmaya hazır hâle getirir.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projen için GitHub depomuzu keşfet, topluluğumuza katıl ve projene başlamak için lisanslama seçeneklerimize göz at. Perakendede yapay zekâ ve lojistikte bilgisayarlı görü gibi yeniliklerin geleceği nasıl şekillendirdiğini çözümler sayfalarımızda öğren.