通过 CoreML 将 Ultralytics YOLO11 部署到 Apple 设备

随着 Apple 推出 Apple Intelligence 等功能，很明显，端侧 AI 正逐渐成为我们使用手机方式的核心部分。对于开发者来说，这一转变意味着用户正在采用使用计算机视觉等能力的 iOS 应用，以获得更智能、响应更迅速的体验。

计算机视觉 是一种人工智能 (AI)，能够让计算机理解和分析图像或视频等视觉信息。在移动设备上，它可以通过手机摄像头实时检测、分类对象并与对象进行交互。像 Ultralytics YOLO11 这样的视觉 AI 模型可以进行定制训练，以识别特定对象，具体取决于你的应用需求。

不过，Ultralytics YOLO11 并不能开箱即用地运行在 iOS 上。要在 iPhone 或其他 Apple 设备上部署 YOLO11，尤其是用于离线场景时，需要将其转换为针对 Apple 生态系统优化的格式。

这正是 CoreML 要解决的问题。CoreML 是 Apple 的机器学习框架，旨在本地运行模型，并无缝集成到 iOS 和 macOS 应用中。由 Ultralytics 支持的 CoreML 集成 让你可以轻松导出模型，以便在 iPhone 上进行本地部署。

本文将详细介绍如何将你的 Ultralytics YOLO11 模型导出为 CoreML 格式。我们还将探索一些实时应用场景，展示直接在 iOS 设备上运行计算机视觉模型的优势。让我们开始吧！

什么是 CoreML？#

CoreML 是 Apple 开发的机器学习框架 (ML)，让开发者能够将训练好的 ML 模型直接集成到 Apple 生态系统中的应用里，包括 iOS（iPhone 和 iPad）、macOS（Mac）、watchOS（Apple Watch）和 tvOS（Apple TV）。它支持模型直接在设备上运行，无需互联网连接，旨在让机器学习在 Apple 设备上更易于使用且更加高效。

CoreML 的核心是统一的模型格式，支持图像分类、对象检测、语音识别和自然语言处理等多种 AI 任务。该框架经过优化，能够充分利用 Apple 的硬件，使用 CPU（中央处理器）、GPU（图形处理器）和 ANE（Apple 神经引擎）快速高效地执行模型。

CoreML 支持多种模型类型，并兼容 TensorFlow、PyTorch、scikit-learn、XGBoost 和 LibSVM 等常用机器学习库。这让开发者可以更轻松地将先进的 ML 能力引入日常应用，同时确保应用在 Apple 设备上流畅运行。

图 1. CoreML 支持来自其他热门 AI 框架的模型（来源）。

CoreML 的主要功能#

以下是 CoreML 成为将 AI 集成到 Apple 应用中的可靠工具的一些主要功能：

• 模型优化： CoreML 支持量化和剪枝等压缩技术，以减小模型大小并提高运行时效率。
• 端侧个性化： Apple 的 ML 框架支持端侧个性化，可以根据用户交互在本地训练和更新模型。
• 异步预测： 该框架可以让你的应用在后台运行预测，同时处理 AI 任务，使用户界面保持流畅并快速响应。
• 多任务学习：CoreML 支持能够同时执行多项任务的模型，例如在同一张图像中检测对象并识别文本。

如何将 Ultralytics YOLO11 导出为 CoreML 格式#

现在我们已经对 CoreML 框架有了更深入的了解，下面来了解如何使用 Ultralytics 支持的 CoreML 集成功能，将 YOLO11 模型导出为 CoreML 格式。

第 1 步：设置环境#

要使用 Ultralytics 提供的集成功能，首先安装 Ultralytics Python 软件包。这是一个轻量、易用的库，可简化 Ultralytics YOLO 模型的训练、评估、预测和导出等任务。

你可以在命令终端中运行“pip install ultralytics”来安装 Ultralytics Python 软件包。如果你使用 Jupyter Notebook 或 Google Colab 等环境，请在命令前加上感叹号 (!)：“!pip install ultralytics”。

如果在安装或导出到 CoreML 的过程中遇到问题，请查阅 Ultralytics 官方文档或 常见问题指南 获取帮助。

第 2 步：将 Ultralytics YOLO11 导出到 CoreML#

软件包成功安装后，你就可以加载 Ultralytics YOLO11 模型并将其转换为 CoreML 格式。

如果你不确定该使用哪个预训练 YOLO11 模型，可以浏览 Ultralytics 支持的模型。每个模型在速度、大小和准确率之间都有不同的平衡，你可以选择最适合项目的模型。如果你已经在自己的数据集上训练了 YOLO11 模型，也可以使用自定义训练的 YOLO11 模型。

在下面的代码片段中，使用了一个名为 "yolo11n.pt" 的预训练 YOLO11 模型文件。在导出过程中，它会被转换为名为 "yolo11n.mlpackage" 的 CoreML 软件包。

"yolo11n" 模型是 nano 版本，针对速度和低资源占用进行了优化。根据项目需求，你也可以选择其他模型尺寸，例如小型 "s"、中型 "m"、大型 "l" 或超大型 "x"。每个版本在性能和准确率之间都有不同的平衡。

from ultralytics import YOLO

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

第 3 步：使用导出的 CoreML 模型运行推理#

导出为 CoreML 格式后，Ultralytics YOLO11 可以轻松集成到 iOS 应用中，从而在 iPhone、iPad 和 Mac 等设备上执行对象检测等实时计算机视觉任务。

例如，下面的代码片段演示了如何加载导出的 CoreML 模型并执行推理。推理是使用训练好的模型对新数据进行预测的过程。在本例中，模型会分析一张家人正在玩球的图像。

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

运行代码后，输出图像将保存到 "runs/detect/predict" 文件夹中。

图 2. 使用导出的 Ultralytics YOLO11 CoreML 格式模型检测对象。图片由作者提供。

导出的 CoreML 模型可以在哪里使用？#

将 Ultralytics YOLO11 导出为 CoreML 格式后，你可以灵活构建各种计算机视觉应用，使其在 iPhone、iPad 和 Mac 上高效运行。下面来看看这种集成在哪些现实场景中特别有用。

由 CoreML 模型驱动的增强现实和游戏应用#

增强现实 (AR) 通过将虚拟元素叠加到实时摄像头画面上，把数字内容与现实世界融合在一起。它正逐渐成为移动游戏的重要组成部分，带来更具互动性和沉浸感的体验。

将 Ultralytics YOLO11 导出为 CoreML 格式后，iOS 开发者可以构建增强现实游戏，使用手机摄像头识别长椅、树木或标志等现实世界中的对象。随后，游戏可以在这些对象上叠加硬币、线索或生物等虚拟物品，从而丰富玩家周围的环境。

在幕后，这一功能依靠对象检测和对象跟踪实现。Ultralytics YOLO11 实时检测并识别对象，而跟踪功能会在摄像头移动时持续捕捉这些对象，确保虚拟元素与现实世界保持对齐。

玩家可以举起手机、探索周围环境，并与所看到的内容互动，以收集物品或完成快速挑战。所有这些操作都可以直接在设备上运行，无需互联网连接，从而带来流畅且引人入胜的体验。

集成 CoreML 模型、支持实时 ANPR 的 iOS 应用#

自动车牌识别 (ANPR) 是一种用于检测和读取车辆牌照的计算机视觉应用。它常用于安防、交通监控和访问控制系统。借助 CoreML 和 YOLO11 等模型，ANPR 现在可以在 iOS 设备上高效运行。

在注重安全的环境中，iPhone 上安装 ANPR 应用尤其有用。例如，它可以帮助团队快速确定进入受限区域的车辆是否已获授权。

此类应用可以使用 Ultralytics YOLO11 等视觉 AI 模型，通过 CoreML 集成，利用设备摄像头实时检测车辆并定位其车牌。检测到车牌后，光学字符识别 (OCR) 技术可以读取车牌号码。随后，应用可以将该号码与本地或基于云的数据库进行比对，以验证访问权限或标记未经授权的车辆。

图 3. 视觉 AI 可用于检测和读取车牌号码。（来源）。

专注于无障碍功能的应用可以利用 CoreML 模型#

AI 对无障碍领域产生了巨大影响，帮助打破视力障碍人士面临的壁垒。借助 CoreML 和 Ultralytics YOLO11 等计算机视觉模型，开发者可以构建实时描述用户周围世界的 iOS 应用，让日常任务变得更轻松、更独立。

例如，视力障碍人士可以将 iPhone 摄像头对准周围环境。应用使用对象检测来识别车辆、人员或街道标志等关键元素，并讲述它所看到的内容。这可以用于在繁忙街道上导航或了解紧急情况等场景。

图 4. 使用 Ultralytics YOLO11 检测人员的示例

要点总结#

将 Ultralytics YOLO11 导出为 CoreML 格式，为实时应用创造了新的机会，包括在 iOS 设备上进行离线对象检测。从农业和安防到无障碍应用，这一组合让开发者能够构建完全在设备上运行的智能、高效且注重隐私的应用。

只需几个简单步骤，你就可以转换 Ultralytics YOLO11 模型，并为 iPhone 添加可靠的计算机视觉功能。更重要的是，它无需互联网连接即可运行。总的来说，CoreML 集成为日常移动应用带来了先进 AI 的强大能力，使应用运行更快、响应更迅速，并能够随时随地运行。

想进一步了解 AI？探索我们的 GitHub 代码仓库，加入我们的社区，并查看我们的许可选项，开启你的计算机视觉项目。前往我们的解决方案页面，了解 零售业中的 AI 和物流中的计算机视觉 等创新如何塑造未来。