Đưa Ultralytics YOLO11 lên thiết bị Apple qua CoreML

Khi Apple giới thiệu các tính năng như Apple Intelligence, rõ ràng AI chạy trên thiết bị đang trở thành một phần trọng tâm trong cách chúng ta sử dụng điện thoại. Với các nhà phát triển, sự chuyển đổi này đồng nghĩa với việc người dùng đang sử dụng các ứng dụng iOS có những khả năng như thị giác máy tính để mang lại trải nghiệm thông minh hơn và phản hồi nhanh hơn.

Thị giác máy tính là một dạng trí tuệ nhân tạo (AI) cho phép máy tính hiểu và phân tích thông tin hình ảnh như ảnh hoặc video. Trên thiết bị di động, công nghệ này có thể được sử dụng theo thời gian thực để phát hiện, phân loại và tương tác với các đối tượng qua camera điện thoại. Các model AI thị giác như Ultralytics YOLO11 có thể được huấn luyện tùy chỉnh để nhận diện các đối tượng cụ thể, tùy theo nhu cầu của ứng dụng.

Tuy nhiên, Ultralytics YOLO11 chưa được cấu hình sẵn để chạy trên iOS. Để triển khai YOLO11 trên iPhone hoặc các thiết bị Apple khác, đặc biệt là khi sử dụng ngoại tuyến, cần chuyển đổi model sang định dạng được tối ưu hóa cho hệ sinh thái Apple.

CoreML được xây dựng chính xác để giải quyết vấn đề này. CoreML là framework machine learning của Apple, được thiết kế để chạy model cục bộ và tích hợp trực tiếp vào ứng dụng iOS và macOS. Tích hợp CoreML do Ultralytics hỗ trợ giúp bạn dễ dàng xuất model để triển khai cục bộ trên iPhone.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn cách xuất model Ultralytics YOLO11 sang định dạng CoreML. Chúng ta cũng sẽ khám phá các trường hợp sử dụng theo thời gian thực, cho thấy lợi ích của việc chạy model computer vision trực tiếp trên thiết bị iOS.

CoreML là gì?#

CoreML là một framework học máy (ML) do Apple phát triển, cho phép nhà phát triển tích hợp trực tiếp các model ML đã huấn luyện vào ứng dụng trên toàn hệ sinh thái Apple, bao gồm iOS (iPhone và iPad), macOS (Mac), watchOS (Apple Watch) và tvOS (Apple TV). Framework này được thiết kế để giúp học máy dễ tiếp cận và hoạt động hiệu quả trên các thiết bị Apple bằng cách cho phép model chạy trực tiếp trên thiết bị mà không cần kết nối internet.

Cốt lõi của CoreML là định dạng model thống nhất, hỗ trợ nhiều tác vụ AI như phân loại hình ảnh, phát hiện đối tượng, nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên. Framework này được tối ưu để tận dụng tối đa phần cứng Apple, sử dụng CPU, GPU và ANE (Apple Neural Engine) để thực thi model nhanh chóng và hiệu quả.

CoreML hỗ trợ nhiều loại model và tương thích với các thư viện học máy phổ biến, bao gồm TensorFlow, PyTorch, scikit-learn, XGBoost và LibSVM. Điều này giúp nhà phát triển dễ dàng đưa các khả năng ML tiên tiến vào ứng dụng hằng ngày, đồng thời đảm bảo ứng dụng hoạt động mượt mà trên các thiết bị Apple.

Hình 1. CoreML hỗ trợ model từ các framework AI phổ biến khác (Nguồn).

Các tính năng chính của CoreML#

Dưới đây là một số tính năng chính giúp CoreML trở thành công cụ đáng tin cậy để tích hợp AI vào ứng dụng Apple:

• Tối ưu hóa model: CoreML hỗ trợ các kỹ thuật nén như lượng tử hóa và cắt tỉa để giảm kích thước model và cải thiện hiệu quả khi chạy.
• Cá nhân hóa trên thiết bị: Framework ML của Apple hỗ trợ cá nhân hóa trên thiết bị, cho phép huấn luyện và cập nhật model cục bộ dựa trên tương tác của người dùng.
• Dự đoán bất đồng bộ: Framework này cho phép ứng dụng chạy dự đoán ở chế độ nền, giữ cho giao diện người dùng mượt mà và phản hồi nhanh trong khi xử lý các tác vụ AI.
• Học đa nhiệm: CoreML hỗ trợ các model có thể thực hiện nhiều tác vụ cùng lúc, chẳng hạn như phát hiện đối tượng và nhận diện văn bản trong cùng một hình ảnh.

Cách xuất Ultralytics YOLO11 sang định dạng CoreML#

Giờ đây, khi đã hiểu rõ hơn về framework CoreML, hãy cùng tìm hiểu cách sử dụng tính năng tích hợp CoreML do Ultralytics hỗ trợ để xuất model YOLO11 sang định dạng CoreML.

Bước 1: Thiết lập môi trường#

Để sử dụng các tính năng tích hợp do Ultralytics cung cấp, trước tiên hãy cài đặt gói Ultralytics Python. Đây là thư viện gọn nhẹ, dễ sử dụng, giúp đơn giản hóa các tác vụ như huấn luyện, đánh giá, dự đoán và xuất model Ultralytics YOLO.

Bạn có thể cài đặt gói Ultralytics Python bằng cách chạy “pip install ultralytics” trong terminal. Nếu sử dụng môi trường như Jupyter Notebook hoặc Google Colab, hãy thêm dấu chấm than (!) trước lệnh: “!pip install ultralytics”.

Nếu gặp sự cố trong quá trình cài đặt hoặc xuất sang CoreML, hãy xem tài liệu chính thức của Ultralytics hoặc hướng dẫn Các sự cố thường gặp để được trợ giúp.

Bước 2: Xuất Ultralytics YOLO11 sang CoreML#

Sau khi cài đặt gói thành công, bạn đã sẵn sàng tải model Ultralytics YOLO11 và chuyển đổi sang định dạng CoreML.

Nếu chưa biết nên dùng model YOLO11 đã huấn luyện trước nào, bạn có thể khám phá các kích thước model YOLO11 trên Ultralytics Platform. Mỗi model có sự cân bằng khác nhau giữa tốc độ, kích thước và độ chính xác; bạn có thể chọn model phù hợp nhất với dự án. Bạn cũng có thể dùng model YOLO11 đã huấn luyện tùy chỉnh nếu đã huấn luyện model trên tập dữ liệu riêng.

Đoạn mã dưới đây sử dụng tệp model YOLO11 đã huấn luyện trước có tên "yolo11n.pt". Trong quá trình xuất, model được chuyển đổi thành gói CoreML có tên "yolo11n.mlpackage."

Model "yolo11n" là phiên bản nano, được tối ưu cho tốc độ và mức sử dụng tài nguyên thấp. Tùy theo nhu cầu dự án, bạn cũng có thể chọn các kích thước model khác như "s" (nhỏ), "m" (trung bình), "l" (lớn) hoặc "x" (cực lớn). Mỗi phiên bản có sự cân bằng khác nhau giữa tốc độ và độ chính xác. Các bước xuất tương tự cũng áp dụng cho những model mới hơn như Ultralytics YOLO26.

from ultralytics import YOLO

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

Bước 3: Chạy suy luận bằng model CoreML đã xuất#

Sau khi xuất sang định dạng CoreML, Ultralytics YOLO11 có thể dễ dàng tích hợp vào ứng dụng iOS, cho phép thực hiện các tác vụ thị giác máy tính theo thời gian thực như phát hiện đối tượng trên các thiết bị như iPhone, iPad và Mac.

Ví dụ, đoạn mã dưới đây minh họa cách tải model CoreML đã xuất và thực hiện suy luận. Suy luận là quá trình sử dụng model đã huấn luyện để đưa ra dự đoán trên dữ liệu mới. Trong trường hợp này, model phân tích hình ảnh một gia đình đang chơi bóng.

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

Sau khi chạy mã, ảnh đầu ra sẽ được lưu trong thư mục "runs/detect/predict".

Hình 2. Sử dụng model Ultralytics YOLO11 đã xuất sang định dạng CoreML để phát hiện đối tượng. Ảnh của tác giả.

Có thể sử dụng các model CoreML đã xuất ở đâu?#

Xuất Ultralytics YOLO11 sang CoreML giúp bạn linh hoạt xây dựng nhiều ứng dụng thị giác máy tính có thể hoạt động hiệu quả trên iPhone, iPad và Mac. Tiếp theo, hãy cùng tìm hiểu một số tình huống thực tế mà tính năng tích hợp này đặc biệt hữu ích.

Ứng dụng thực tế tăng cường và trò chơi sử dụng model CoreML#

Thực tế tăng cường (AR) kết hợp nội dung kỹ thuật số với thế giới thực bằng cách chồng các yếu tố ảo lên hình ảnh trực tiếp từ camera. Công nghệ này đang trở thành thành phần quan trọng của trò chơi di động, tạo ra trải nghiệm tương tác và đắm chìm hơn.

Với Ultralytics YOLO11 được xuất sang định dạng CoreML, nhà phát triển iOS có thể xây dựng trò chơi AR nhận diện các đối tượng trong thế giới thực như ghế băng, cây cối hoặc biển báo bằng camera điện thoại. Sau đó, trò chơi có thể chồng các vật phẩm ảo như tiền xu, manh mối hoặc sinh vật lên những đối tượng này để làm phong phú môi trường xung quanh người chơi.

Quá trình này hoạt động nhờ phát hiện đối tượng và theo dõi đối tượng. Ultralytics YOLO11 phát hiện và nhận diện đối tượng theo thời gian thực, trong khi tính năng theo dõi giữ các đối tượng trong tầm nhìn khi camera di chuyển, đảm bảo các yếu tố ảo luôn khớp với thế giới thực.

Người chơi có thể hướng điện thoại, khám phá môi trường xung quanh và tương tác với những gì nhìn thấy để thu thập vật phẩm hoặc hoàn thành các thử thách nhanh. Tất cả có thể chạy trực tiếp trên thiết bị mà không cần kết nối internet, mang lại trải nghiệm mượt mà và hấp dẫn.

Ứng dụng iOS tích hợp model CoreML để nhận dạng biển số tự động theo thời gian thực#

Nhận dạng biển số tự động (ANPR) là một ứng dụng thị giác máy tính dùng để phát hiện và đọc biển số xe. Công nghệ này thường được sử dụng trong các hệ thống an ninh, giám sát giao thông và kiểm soát ra vào. Với CoreML và các model như YOLO11, ANPR hiện có thể chạy hiệu quả trên thiết bị iOS.

Ứng dụng ANPR trên iPhone có thể đặc biệt hữu ích trong các môi trường chú trọng an ninh. Ví dụ, ứng dụng có thể giúp đội ngũ nhanh chóng xác định một phương tiện đi vào khu vực hạn chế có được phép hay không.

Ứng dụng như vậy có thể sử dụng model vision AI như Ultralytics YOLO11, tích hợp thông qua CoreML, để phát hiện phương tiện và xác định vị trí biển số theo thời gian thực bằng camera của thiết bị. Sau khi phát hiện biển số, công nghệ nhận dạng ký tự quang học (OCR) có thể đọc số đăng ký. Sau đó, ứng dụng có thể đối chiếu số này với cơ sở dữ liệu cục bộ hoặc trên đám mây để xác minh quyền truy cập hoặc cảnh báo phương tiện không được phép.

Hình 3. AI thị giác có thể được dùng để phát hiện và đọc số biển đăng ký. (Nguồn).

Ứng dụng hỗ trợ khả năng tiếp cận có thể tận dụng model CoreML#

AI đã tạo ra tác động to lớn đến khả năng tiếp cận, giúp phá bỏ rào cản cho người khiếm thị. Với các công cụ như CoreML và model thị giác máy tính như Ultralytics YOLO11, nhà phát triển có thể xây dựng ứng dụng iOS mô tả thế giới xung quanh người dùng theo thời gian thực, giúp công việc hằng ngày trở nên dễ dàng và độc lập hơn.

Ví dụ, người khiếm thị có thể hướng camera iPhone vào môi trường xung quanh. Ứng dụng sử dụng tính năng phát hiện đối tượng để nhận diện các yếu tố quan trọng như phương tiện, con người hoặc biển báo đường phố, rồi mô tả những gì camera nhìn thấy. Tính năng này có thể được dùng trong các tình huống như băng qua đường đông đúc hoặc tìm hiểu về trường hợp khẩn cấp.

Hình 4. Ví dụ sử dụng Ultralytics YOLO11 để phát hiện người

Điểm chính cần ghi nhớ#

Xuất Ultralytics YOLO11 sang định dạng CoreML mở ra những cơ hội mới cho ứng dụng thời gian thực, bao gồm phát hiện đối tượng ngoại tuyến trên thiết bị iOS. Từ trò chơi và bảo mật đến khả năng tiếp cận, sự kết hợp này giúp nhà phát triển xây dựng ứng dụng thông minh, hiệu quả và chú trọng quyền riêng tư, chạy hoàn toàn trên thiết bị.

Chỉ với vài bước đơn giản, bạn có thể chuyển đổi model Ultralytics YOLO11 và bổ sung các tính năng thị giác máy tính đáng tin cậy cho iPhone. Đặc biệt, ứng dụng hoạt động mà không cần kết nối internet. Nhìn chung, tính năng tích hợp CoreML đưa sức mạnh của AI tiên tiến vào các ứng dụng di động hằng ngày, giúp chúng nhanh hơn, phản hồi tốt hơn và sẵn sàng chạy ở mọi nơi.

Bạn muốn tìm hiểu thêm về AI? Khám phá repository GitHub của chúng tôi, kết nối với cộng đồng của chúng tôi và xem các tùy chọn cấp phép để bắt đầu dự án thị giác máy tính. Tìm hiểu cách những đổi mới như AI trong bán lẻ và thị giác máy tính trong logistics đang định hình tương lai trên các trang giải pháp của chúng tôi.