Core AI

Instalasi

Format ini hanya untuk macOS. Dependensi coreai-torch membawa penanda sys_platform == 'darwin', dan toolchain ini tidak bisa mengonversi maupun berjalan di tempat lain.

# Sengaja dikecualikan dari semua ekstra agregat: coreai-torch mengunci# torch ke 2.11.x dan akan menyeret seluruh environment ke versi itu.pip install "libreyolo[coreai]"

Ekstra ini berada di luar semua ekstra agregat, termasuk libreyolo[all], karena coreai-torch mengunci torch ke seri 2.11. Pasang di environment yang memang bersedia dibatasi pada pasangan versi tersebut.

Ekspor

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Menulis weights/LibreYOLO9t.aimodelpath = model.export(format="coreai", imgsz=640)print(path)

libreyolo export --model LibreYOLO9t.pt --format coreai --imgsz 640

model.export(    format="coreai",    imgsz=640,        # int, atau (height, width); ini kanvas saat dijalankan    batch=1,    output_path=None, # None menulis weights/<stem>.aimodel) # dynamic=True memunculkan NotImplementedError.# half=True dan int8=True ditolak saat validasi.

Penangkapan graf memakai torch.export, sebuah graph capture sungguhan dengan guard, bukan satu trace hasil rekaman. Ini lebih ketat daripada jalur Core ML: pembacaan skalar di host dan alur kontrol yang bergantung pada data ditolak, bukan diam-diam dibekukan ke dalam graf, dan itulah sebabnya beberapa family diblokir di sini dengan catatan kegagalan capture.

Tiga langkah persiapan berjalan di dalam scope yang mengembalikan model aktif milik pemanggil, baik ekspor berhasil maupun gagal. Pada family turunan Darknet, batch normalization inferensinya dilipat secara persis ke konvolusi sebelumnya, karena Core AI 0.4.1 tidak mempertahankan formula epsilon-setelah-akar-kuadrat milik Darknet. Pada family berbasis grid dan anchor, anchor-nya dibekukan untuk kanvas tetap. Pada RF-DETR, position embedding-nya dibangun ulang untuk kanvas yang diminta dengan menjalankan ulang jalur baking milik model itu sendiri, karena konverter tidak punya lowering untuk aten._upsample_bicubic2d_aa.

Proses lowering menyisipkan dekomposisi referensi PyTorch untuk aten.grid_sampler_2d ke dalam tabel dekomposisi, karena konverter Core AI tidak punya lowering untuk sampler deformable-attention yang dipakai family DETR.

Aset mendeklarasikan OS minimum v27, satu-satunya nilai yang ditawarkan toolchain. Yang dibatasi adalah deployment, bukan konversi: konversi dan eksekusi di sisi Python tetap berjalan di macOS yang lebih lama lewat runtime di dalam wheel, tetapi angka numeriknya berbeda antar versi OS, sehingga paritas yang dicatat diukur di macOS 27.

Menjalankan artefak

Tidak ada entri Core AI di libreyolo/backends, jadi LibreYOLO() tidak memuat berkas .aimodel. Konsumen memakai runtime Core AI secara langsung, dan preprocessing, decoding, NMS serta penskalaan ulang koordinat menjadi tanggung jawab mereka. Baris yang tervalidasi di matriks dukungan adalah klaim bahwa graf hasil ekspor menghitung angka yang sama dengan referensi, bukan klaim bahwa predict akan menjalankannya.

Satu hal yang tidak bisa diturunkan ulang oleh konsumen adalah urutan output:

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt")model.export(format="coreai", imgsz=640) # Metadata aset mencatat nama output hasil ekspor, dalam urutan graf,# di bawah "coreai_output_names". Petakan dictionary yang dikembalikan# Core AI berdasarkan nama memakai daftar itu; jangan pernah# memasangkannya secara posisional dengan tuple eager.

Core AI mengembalikan dictionary bernama yang urutan key-nya tidak cocok dengan urutan tuple pada forward eager, dan juga tidak bisa ditebak. Nama hasil ekspor ditulis ke metadata aset sebagai coreai_output_names justru karena alasan ini. Petakan berdasarkan nama.

Batasan

Kanvas tetap, FP32, batch sesuai saat diekspor. dynamic=True memunculkan NotImplementedError, dan half=True serta int8=True ditolak saat validasi.

Cakupan di sisi konversi cukup luas. Kombinasi yang tervalidasi mencakup family YOLO9, YOLOX, YOLO7, empat detektor era Darknet, YOLO-NAS, PicoDet, RTMDet, RT-DETR, RT-DETRv2, RT-DETRv4, D-FINE, DEIM, DEIMv2, EC dan deteksi RF-DETR; empat family klasifikasi CNN plus CLIP dan SigLIP2 dengan kelas dibekukan; Depth Anything V2 dan ZipDepth; restorasi NAFNet dan Real-ESRGAN; segmentasi semantik PIDNet dan LingBotVision; serta deteksi titik FOMO. Masing-masing membawa konteks tercatatnya sendiri, yang dicetak oleh libreyolo formats.

Yang diblokir, dengan alasan tercatat per kombinasi:

RF-DETR punya satu catatan yang sebaiknya dibaca sebelum membandingkan artefak. Paritasnya dicatat terhadap graf yang disiapkan oleh eksportir Core AI itu sendiri, bukan terhadap ONNX, dan pada kanvas 640 artefak ONNX RF-DETR tidak sepakat dengan graf hasil persiapan itu. Rebake pada jalur Core AI mempertahankan resize berantialias yang dilakukan model eager, sedangkan jalur ONNX mematikan antialiasing. Karena itu ONNX bukan referensi yang sah untuk family tersebut pada kanvas non-native.

Untuk format Apple yang lebih lama, lihat Core ML. Untuk grid family dan task lengkap, lihat matriks ekspor. Untuk satu kombinasi:

libreyolo formats --family yolo9 --task detect