Core ML

Instalasi

pip install "libreyolo[coreml]"

Prediksi membutuhkan macOS. LibreYOLO() menolak .mlpackage di platform lain dengan pesan yang menyebutkan platform saat ini, dan matriks dukungan mencatat kombinasi ini sebagai tersedia dengan alasan bahwa paritas runtime membutuhkan runner macOS.

Ekspor

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Menulis bundle weights/LibreYOLO9t.mlpackagepath = model.export(format="coreml")print(path)

libreyolo export --model LibreYOLO9t.pt --format coreml

model.export(    format="coreml",    imgsz=640,    batch=1,    half=False,           # True mengonversi dengan presisi komputasi FLOAT16    compute_units="all",  # all | cpu_and_gpu | cpu_and_ne | cpu_only    output_path=None,     # None menulis weights/<stem>.mlpackage) # dynamic diterima, tetapi input berupa ct.ImageType dengan bentuk tetap,# dan metadata yang tertanam tetap mencatat dynamic=False.

Bundle ditulis ke weights/ memakai stem checkpoint, dengan _fp16 ditambahkan saat half=True. Sebuah .mlpackage adalah direktori, jadi salin seluruh isinya.

Setiap family melalui tracing di balik wrapper preprocessing, sehingga graph hasil konversi menerima satu input kanonis: RGB, scale=1/255, tanpa bias, dideklarasikan sebagai ct.ImageType. Wrapper itu menyerap konvensi milik masing-masing family, yaitu BGR dalam rentang 0 sampai 255 untuk YOLOX, mean dan standar deviasi ImageNet untuk RF-DETR, serta identitas untuk YOLO9 dan RT-DETR. Karena itu konsumen Core ML cukup memberikan gambar biasa, bukan tensor khusus per family.

Konversi menargetkan ML Program dengan deployment target minimum iOS 15. compute_units disimpan pada model hasil konversi dan dapat ditimpa lagi saat artefak dimuat.

Metadata model masuk ke user_defined_metadata sebagai string, dan dari sanalah backend membaca family, task, nama kelas, ukuran input dan skema pose.

NMS tertanam

from libreyolo import LibreYOLO # Hanya deteksi YOLOX dan YOLO9, batch 1.LibreYOLO("LibreYOLO9t.pt").export(    format="coreml",    nms=True,    conf=0.25,    iou=0.45,)

libreyolo export --model LibreYOLO9t.pt --format coreml --nms \  --conf 0.25 --iou 0.45

nms=True membungkus model dalam pipeline Core ML yang diakhiri layer NonMaximumSuppression milik Apple. Hasilnya punya dua output: confidence, berbentuk N kali jumlah kelas, dan coordinates, berbentuk N kali 4 sebagai xywh ternormalisasi.

Ini hanya berlaku untuk deteksi YOLOX dan YOLO9, dan mensyaratkan batch 1. Family bergaya DETR ditolak berdasarkan nama, karena set prediction mengambil top-k atas query dan kelas tanpa langkah IoU sehingga tidak bisa memakai layer tersebut. max_det juga tidak diekspos di sini; kalau batas jumlah deteksi penting, pakai NMS tertanam ONNX.

Menjalankan artefak

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO(    "weights/LibreYOLO9t.mlpackage",    compute_units="all",   # atau cpu_and_ne untuk mengunci Neural Engine)result = model.predict(SAMPLE_IMAGE)print(result.boxes.xyxy[:3])

import coremltools as ctfrom PIL import Image mlmodel = ct.models.MLModel("weights/LibreYOLO9t.mlpackage")print(mlmodel.user_defined_metadata["model_family"])print(mlmodel.user_defined_metadata["names"]) # Input berupa gambar bernama "image" dengan ukuran ekspor yang tetap.image = Image.open(SAMPLE_IMAGE).convert("RGB").resize((640, 640))out = mlmodel.predict({"image": image})print({name: value.shape for name, value in out.items()}) # Letterboxing dan postprocessing menjadi tanggung jawab Anda di jalur ini.

LibreYOLO() mengenali direktori berakhiran .mlpackage dan mengembalikan objek Results yang sama seperti checkpoint. compute_units adalah satu-satunya argumen yang diteruskan factory untuk format ini, dan nilainya bisa all, cpu_and_gpu, cpu_and_ne dan cpu_only. Argumen device diabaikan, karena Core ML mengarahkan pekerjaan lewat compute unit.

Snippet kedua adalah jalur runtime langsung. Letterboxing, decoding, NMS dan penyesuaian skala koordinat menjadi tanggung jawab Anda di sana, dan nama kelas tersimpan di user_defined_metadata.

Batasan

Empat family, hanya deteksi: yolox, yolo9, rtdetr dan rfdetr. Selain itu ditolak saat preflight, karena wrapper preprocessing yang sadar family itulah yang membuat kontrak input gambar tetap benar, dan family di luar daftar itu akan dikonversi dengan normalisasi yang salah. Pesan error menyebut ONNX dan TorchScript sebagai alternatif.

Bentuk input dikunci mati oleh ct.ImageType, jadi dynamic=True tidak mengubah apa pun dan metadata mencatat dynamic=False. Ekspor bundle kedua untuk resolusi kedua.

half=True mengonversi dengan presisi komputasi FP16. Tidak ada jalur INT8 dari exporter ini.

Untuk grid family dan task lengkap, lihat matriks ekspor. Untuk format on-device Apple yang lebih baru, lihat Core AI. Untuk satu kombinasi:

libreyolo formats --family yolo9 --task detect