将 Ultralytics YOLO11 引入 Apple 设备（基于 CoreML）
了解如何轻松地将 Ultralytics YOLO11 应用于 Apple 设备，通过 CoreML 实现实时 iOS 应用所需的快速离线计算机视觉任务。
随着苹果推出诸如 Apple Intelligence 这样的功能，很明显，端侧 AI 正在成为我们使用手机的核心方式。对于开发者而言，这种转变意味着用户正在接受使用计算机视觉等功能的 iOS 应用，从而获得更智能、更具响应性的体验。
Computer vision 是一种人工智能（AI），它使计算机能够理解和分析视觉信息，例如图像或视频。在移动设备上，它可以通过手机的摄像头实时用于检测、分类和与物体交互。诸如 Ultralytics YOLO11 之类的 Vision AI 模型可以根据你的应用需求进行自定义训练，以识别特定的物体。
然而，Ultralytics YOLO11 并非开箱即可在 iOS 上运行。要在 iPhone 或其他 Apple 设备上部署 YOLO11，特别是用于离线场景时，需要将其转换为针对 Apple 生态系统进行优化的格式。
这正是 CoreML 旨在解决的问题。CoreML 是苹果的机器学习框架，旨在本地运行模型并无缝集成到 iOS 和 macOS 应用中。在 Ultralytics 的支持下，CoreML integration 使你可以轻松导出模型以便在 iPhone 上进行本地部署。
在这篇文章中，我们将详细介绍如何将你的 Ultralytics YOLO11 模型导出为 CoreML 格式。我们还将探讨展示在 iOS 设备上直接运行计算机 vision 模型优势的实时用例。我们开始吧！
什么是 CoreML？#
CoreML 是苹果开发的一个 machine learning (ML) framework，它使开发者能够将训练好的 ML 模型直接集成到苹果生态系统中的各个应用中，包括 iOS（iPhone 和 iPad）、macOS（Mac）、watchOS (Apple Watch) 和 tvOS (Apple TV)。它旨在通过使模型能够直接在设备上运行而无需互联网连接，从而使机器学习在苹果设备上变得易于使用且高效。
CoreML 的核心是一个统一的模型格式，支持各种 AI 任务，例如图像分类、目标检测、语音识别和自然语言处理。该框架经过优化，充分利用了 Apple 的硬件，利用 CPU（中央处理器）、GPU（图形处理器）和 ANE（Apple 神经引擎）来快速高效地执行模型。
CoreML 支持多种模型类型，并兼容流行的机器学习库，包括 TensorFlow、PyTorch、scikit-learn、XGBoost 和 LibSVM。这使得开发者能够更轻松地将先进的 ML 功能带入日常应用，同时确保它们在 Apple 设备上平稳运行。
图 1. CoreML 支持来自其他流行 AI 框架的模型（Source）。
CoreML 的主要功能#
以下是一些使 CoreML 成为将 AI 集成到 Apple 应用中的可靠工具的关键功能：
- Model optimization**：**CoreML 支持诸如量化和剪枝之类的压缩技术，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，使模型能够根据用户的交互在本地进行训练和更新。
- 异步预测： 该框架让你的应用可以在后台运行预测，在处理 AI 任务的同时保持用户界面的平滑和响应。
- 多任务学习：CoreML 支持能够同时执行多项任务的模型，例如在同一图像中检测物体并识别文本。
如何将 Ultralytics YOLO11 导出为 CoreML 格式#
现在我们对 CoreML 框架有了更好的理解，让我们来看看如何使用 Ultralytics 支持的 CoreML 集成来将 YOLO11 模型导出为 CoreML 格式。
第 1 步：设置你的环境#
要访问 Ultralytics 提供的集成功能，请首先安装 Ultralytics Python package。它是一个轻量级且易于使用的库，简化了训练、评估、预测和导出 Ultralytics YOLO 模型等任务。
你可以通过在命令终端中运行“pip install ultralytics”来安装 Ultralytics Python 软件包。如果你使用的是 Jupyter Notebook 或 Google Colab 等环境，请在命令前加上感叹号 (!)：“!pip install ultralytics”。
如果你在安装过程中或导出到 CoreML 时遇到任何问题，请查看官方 Ultralytics 文档或 Common Issues guide 以获取帮助。
步骤 2：将 Ultralytics YOLO11 导出为 CoreML#
成功安装该软件包后，你就可以加载一个 Ultralytics YOLO11 模型并将其转换为 CoreML 格式。
如果你不确定要使用哪个预训练的 YOLO11 模型，可以浏览 Ultralytics models supported 的范围。每个模型都在速度、大小和准确性之间提供了不同的平衡，你可以为你的项目挑选最合适的模型。如果你在自己的数据集上训练过自定义 YOLO11 模型，也可以使用它。
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，它被转换为一个名为“yolo11n.mlpackage”的 CoreML 包。
“yolo11n”模型是纳米版本，针对速度和低资源消耗进行了优化。根据你项目的需求，你还可以选择其他模型大小，例如“s”（小）、“m”（中）、“l”（大）或“x”（超大）。每个版本在性能和准确性之间提供了不同的平衡。
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 应用程序中，从而在 iPhone、iPad 和 Mac 等设备上实现诸如object detection之类的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，模型会分析一张一家人玩球的图像。
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，输出图像将保存在“runs/detect/predict”文件夹中。
图 2. 使用导出为 CoreML 格式的 Ultralytics YOLO11 模型检测物体。图片由作者提供。
导出的 CoreML 模型可以在哪里使用？#
将 Ultralytics YOLO11 导出到 CoreML 带来了构建各种计算机视觉应用程序的灵活性，这些应用程序可以在 iPhone、iPad 和 Mac 上高效运行。接下来，让我们来看看这种集成特别有用的几个实际场景。
由 CoreML 模型驱动的增强现实和游戏应用#
Augmented reality (AR) 通过将虚拟元素叠加到实时相机视图上，将数字内容与现实世界融合在一起。它正成为移动游戏的关键部分，从而创造出更多互动和沉浸式的体验。
通过将 Ultralytics YOLO11 导出为 CoreML 格式，iOS 开发者可以使用手机摄像头构建能够识别长椅、树木或标志等现实世界物体的 AR 游戏。然后，游戏可以在这些物体上方叠加虚拟物品（如金币、线索或生物），以增强玩家的周围环境。
在幕后，这是通过目标检测和目标跟踪来工作的。Ultralytics YOLO11 可以实时检测和识别物体，而跟踪功能则在摄像头移动时保持这些物体在视野中，确保虚拟元素与现实世界保持对齐。
玩家可以指着他们的手机，探索周围环境，并与所见物体进行互动来收集物品或完成快速挑战。所有这些都可以在设备上直接运行，无需连接互联网，使体验流畅且引人入胜。
集成 CoreML 模型以实现实时 ANPR 的 iOS 应用#
Automatic Number Plate Recognition (ANPR) 是一种用于检测和读取车辆车牌的计算机视觉应用。它通常用于安全、交通监控和访问控制系统中。借助 CoreML 以及诸如 YOLO11 之类的模型，ANPR 现在可以在 iOS 设备上高效运行。
在 iPhone 上拥有一款 ANPR 应用在安全为重点的环境中特别有用。例如，它可以帮助团队快速确定进入受限区域的车辆是否获得授权。
这样的应用程序可以使用诸如 Ultralytics YOLO11 之类的视觉 AI 模型（通过 CoreML 集成），利用设备的摄像头实时检测车辆并定位其车牌。一旦检测到车牌，光学字符识别 (OCR) 技术就可以读取车牌号。然后，应用程序可以将此号码与本地或基于云的数据库进行比较，以验证访问权限或标记未授权车辆。
图 3. Vision AI 可用于检测和读取车牌号。（Source）。
专注于辅助功能的应用可以利用 CoreML 模型#
AI 对accessibility产生了巨大影响，有助于打破视障人士的障碍。借助 CoreML 等工具以及 Ultralytics YOLO11 等计算机视觉模型，开发者可以构建能够实时向用户描述周围世界的 iOS 应用，从而使日常任务变得更加轻松和独立。
例如，视障人士可以将 iPhone 摄像头对准周围环境。该应用使用目标检测来识别关键要素，如车辆、行人或街道标志，并叙述所见内容。这可用于在繁忙街道上导航或理解紧急情况等场合。
图 4. 使用 Ultralytics YOLO11 检测人员的示例
关键要点#
将 Ultralytics YOLO11 导出到 CoreML 格式为实时应用创造了新的机遇，包括在 iOS 设备上进行离线目标检测。从农业、安全到无障碍，这种组合允许开发者构建完全在设备上运行的智能、高效且注重隐私的应用。
只需几个简单的步骤，你就可以转换你的 Ultralytics YOLO11 模型并为 iPhone 添加可靠的计算机视觉功能。最棒的是，它无需连接互联网即可工作。总体而言，CoreML 集成将先进 AI 的强大功能带入了日常移动应用中，使其更快、响应更灵敏，并随时随地准备运行。
想了解更多关于 AI 的信息吗？浏览我们的 GitHub repository，与 our community 建立联系，并查看 our licensing options 以启动你的计算机视觉项目。在我们的解决方案页面上了解诸如 AI in retail 和 computer vision in logistics 之类的创新如何塑造未来。
