了解如何通过CoreML 轻松将Ultralytics YOLO11 移植到苹果设备，并为实时iOS 应用程序实现快速离线计算机视觉任务。
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
了解如何通过CoreML 轻松将Ultralytics YOLO11 移植到苹果设备，并为实时iOS 应用程序实现快速离线计算机视觉任务。
随着苹果公司推出Apple Intelligence 等功能，设备上的人工智能显然正在成为我们使用手机的核心部分。对于开发者来说，这种转变意味着用户正在采用使用计算机视觉等功能的iOS 应用程序，以提供更智能、反应更灵敏的体验。
计算机视觉是一种人工智能（AI），能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对物体进行实时detect、classify和交互。视觉人工智能模型，如 Ultralytics YOLO11等视觉人工智能模型可以根据应用的需要进行定制训练，以识别特定对象。
不过，YOLO11 并不是开箱就能在iOS 上运行的。要在 iPhone 或其他苹果设备上部署YOLO11 ，尤其是离线使用，需要将其转换为针对苹果生态系统进行优化的格式。
这正是CoreML 要解决的问题。CoreML 是苹果公司的机器学习框架，旨在本地运行模型，并无缝集成到iOS 和 macOS 应用程序中。Ultralytics 支持CoreML 集成，可以轻松导出模型，在 iPhone 上进行本地部署。
在本文中，我们将详细介绍如何将YOLO11 模型导出为CoreML 格式。我们还将探讨实时使用案例，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！
CoreML 是苹果公司开发的机器学习 (ML) 框架，开发人员可以将训练有素的 ML 模型直接集成到苹果生态系统的应用程序中，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用和高效。
CoreML 的核心是一种统一的模型格式，支持广泛的人工智能任务，如图像分类、物体检测、语音识别和自然语言处理。该框架经过优化，可充分利用苹果的硬件，使用CPU （中央处理器）、GPU （图形处理器）和 ANE（苹果神经引擎）快速高效地执行模型。
CoreML 支持多种模型类型，并与TensorFlow、PyTorch、scikit-learn、XGBoost 和 LibSVM 等流行的机器学习库兼容。这样，开发人员就能更轻松地将高级 ML 功能引入日常应用程序，同时确保它们在苹果设备上流畅运行。
以下是使CoreML 成为将人工智能集成到苹果应用程序的可靠工具的一些关键功能：
现在，我们对CoreML 框架有了更深入的了解，下面就让我们来看看如何使用Ultralytics 支持的CoreML 集成，将YOLO11 模型导出为CoreML 格式。
要使用Ultralytics 提供的集成功能，首先要安装Ultralytics Python 软件包。这是一个轻量级的易用库，可以简化训练、评估、预测和输出Ultralytics YOLO 模型等任务。
在命令终端运行 "pip install Ultralytics "即可安装 ultralyticsPython 软件包。如果使用的是 Jupyter Notebook 或Google Colab 等环境，请在命令前加上感叹号（！）："!pip installultralytics"。
如果在安装过程中或导出到CoreML 时遇到任何问题，请查看Ultralytics 官方文档或常见问题指南以获得帮助。
软件包安装成功后，您就可以加载YOLO11 模型并将其转换为CoreML 格式。
如果您不确定使用哪种预训练的YOLO11 模型，您可以探索Ultralytics 支持 的一系列模型 。每种模型都能在速度、大小和准确性之间取得不同的平衡，您可以选择最适合您项目的模型。如果您已经在自己的数据集上训练了一个YOLO11 模型，也可以使用自定义训练的模型。
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，它被转换成一个名为 "yolo11n.mlpackage "的CoreML 包。
“yolo11n”模型是 nano 版本，针对速度和低资源使用进行了优化。根据您的项目需求，您还可以选择其他模型尺寸，例如“s”（小型）、“m”（中型）、“l”（大型）或“x”（超大型）。每个版本都在性能和准确性之间提供不同的平衡。
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="coreml")
导出为CoreML 格式后，YOLO11 可以轻松集成到iOS 应用程序中，从而在 iPhone、iPad 和 Mac 等设备上实现实时计算机视觉任务，如物体检测。
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。推理是使用训练有素的模型对新数据进行预测的过程。在本例中，模型分析了一家人玩球的图像。
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。
将YOLO11 输出到CoreML 可以灵活地构建各种计算机视觉应用程序，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在现实世界中特别有用的一些应用场景。
增强现实（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。 它正在成为手机游戏的关键组成部分，创造更具互动性和沉浸感的体验。
通过将YOLO11 导出为CoreML 格式，iOS 开发人员可以制作 AR 游戏，利用手机摄像头识别长椅、树木或标志等现实世界中的物体。然后，游戏可以在这些物体上叠加虚拟物品，如硬币、线索或生物，以增强玩家周围的环境。
在幕后，这是通过对象检测和对象跟踪来实现的。YOLO11 能实时检测和识别物体，而跟踪功能则能在摄像机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一致。
玩家可以利用手机扫描周围环境，与所见之物互动，收集物品或完成快速挑战。所有这些操作都可以在设备上直接运行，无需互联网连接，从而带来流畅且引人入胜的体验。
自动车牌识别（ANPR）是一种计算机视觉应用程序，用于detect 和读取车辆牌照。它通常用于安防、交通监控和门禁系统。借助CoreML 和YOLO11 等模型，ANPR 现在可以在iOS 设备上高效运行。
在安全至上的环境中，iPhone 上的车牌识别 (ANPR) 应用程序尤其有用。例如，它可以帮助团队快速确定进入限制区域的车辆是否已获得授权。
这种应用程序可以使用通过CoreML 集成的视觉人工智能模型（如YOLO11）来detect 车辆，并使用设备的摄像头实时定位车牌。一旦检测到车牌，光学字符识别（OCR）技术就能读取车牌号码。然后，该应用程序可以将该号码与本地或云端数据库进行比较，以验证车辆是否可以进入或标记未经授权的车辆。
人工智能对无障碍环境产生了巨大影响，帮助视障人士打破障碍。借助CoreML 等工具和YOLO11 等计算机视觉模型，开发人员可以构建能够实时描述用户周围世界的iOS 应用程序，从而使日常工作变得更轻松、更独立。
例如，视力障碍人士可以将他们的 iPhone 摄像头对准周围环境。该应用程序使用目标检测来识别关键元素，如车辆、行人或街道标志，并叙述它所看到的内容。这可以用于诸如在繁忙的街道上导航或理解紧急情况等场景。
将YOLO11 输出为CoreML 格式为实时应用创造了新的机会，包括iOS 设备上的离线对象检测。从农业、安全性到可访问性，这一组合使开发人员能够构建完全在设备上运行的智能、高效和注重隐私的应用程序。
只需几个简单的步骤，您就可以转换YOLO11 模型，为 iPhone 添加可靠的计算机视觉功能。最重要的是，它无需互联网连接即可运行。总之，CoreML 集成为日常移动应用程序带来了先进人工智能的力量，使其速度更快、反应更灵敏，并可随时随地运行。
想了解更多关于 AI 的信息吗？浏览我们的 GitHub 仓库，与 我们的社区 交流，并查看 我们的许可选项，以启动您的计算机视觉项目。在我们的解决方案页面上，了解 零售业中的 AI 和 物流业中的计算机视觉 等创新如何塑造未来。
