Core AI

설치

이 형식은 macOS 전용입니다. coreai-torch 요구 사항에는 sys_platform == 'darwin' 마커가 붙어 있고, 툴체인은 다른 어디에서도 변환하거나 실행되지 않습니다.

# 모든 통합 extra에서 의도적으로 제외했습니다: coreai-torch가 torch를# 2.11.x에 고정해 환경 전체를 그 버전으로 끌고 가기 때문입니다.pip install "libreyolo[coreai]"

이 extra는 coreai-torch가 torch를 2.11 계열에 고정하기 때문에 libreyolo[all]을 포함한 모든 통합 extra 바깥에 있습니다. 그 조합으로 제약해도 괜찮은 환경에 설치하십시오.

내보내기

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

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

model.export(    format="coreai",    imgsz=640,        # int 또는 (height, width); 실행 캔버스입니다    batch=1,    output_path=None, # None이면 weights/<stem>.aimodel에 씁니다) # dynamic=True는 NotImplementedError를 발생시킵니다.# half=True와 int8=True는 검증 단계에서 거부됩니다.

캡처는 단일 기록 트레이스가 아니라 가드를 갖춘 실제 그래프 캡처인 torch.export입니다. 이는 Core ML 경로보다 엄격합니다: 호스트 스칼라 읽기와 데이터 의존 제어 흐름을 조용히 고정해 넣지 않고 거부하며, 그래서 일부 모델 계열은 캡처 실패가 기록된 채 여기서 차단됩니다.

세 가지 준비 단계는 내보내기가 성공하든 실패하든 호출자의 살아 있는 모델을 복원하는 스코프 안에서 실행됩니다. Darknet 계열 모델은 Core AI 0.4.1이 Darknet의 제곱근 뒤 엡실론 공식을 보존하지 않기 때문에 추론용 배치 정규화가 앞선 합성곱에 정확히 접혀 들어갑니다. 그리드와 앵커 계열 모델은 고정 캔버스에 맞춰 앵커가 고정됩니다. RF-DETR 모델은 변환기에 aten._upsample_bicubic2d_aa에 대한 로우어링이 없기 때문에, 모델 자체의 베이킹 경로를 다시 실행해 요청한 캔버스에 맞게 위치 임베딩을 다시 굽습니다.

로우어링 단계는 Core AI 변환기에 DETR 계열이 사용하는 디포머블 어텐션 샘플러에 대한 로우어링이 없으므로, aten.grid_sampler_2d에 대한 PyTorch 참조 분해를 분해 테이블에 넣습니다.

자산은 최소 OS를 v27로 선언하며, 이는 툴체인이 제공하는 유일한 값입니다. 이는 변환이 아니라 배포를 제한합니다: 변환과 Python 쪽 실행은 휠 안의 런타임으로 이전 macOS에서도 동작하지만, 수치는 OS 버전마다 다르므로 기록된 수치 일치는 macOS 27에서 측정합니다.

아티팩트 실행

libreyolo/backends에는 Core AI 항목이 없으므로 LibreYOLO()는 .aimodel을 불러오지 않습니다. 사용하는 쪽에서 Core AI 런타임을 직접 쓰며, 전처리와 디코딩, NMS, 좌표 재조정은 그쪽 몫입니다. 지원 매트릭스에서 검증됨으로 표시된 행은 내보낸 그래프가 참조와 같은 수치를 계산한다는 뜻이지, predict가 그것을 실행한다는 뜻은 아닙니다.

사용하는 쪽에서 스스로 다시 도출할 수 없는 유일한 것은 출력 순서입니다:

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt")model.export(format="coreai", imgsz=640) # 자산 메타데이터는 내보낸 출력 이름을 그래프 순서대로# "coreai_output_names" 아래에 기록합니다. 그 목록으로 Core AI가 반환한# 딕셔너리를 이름으로 매핑하고, eager 튜플과 위치로 짝지어서는 안 됩니다.

Core AI는 이름이 붙은 딕셔너리를 반환하는데, 그 키 순서는 eager forward의 튜플 순서와도, 추측 가능한 어떤 것과도 일치하지 않습니다. 내보낸 이름이 바로 이 이유로 자산 메타데이터에 coreai_output_names로 기록됩니다. 이름으로 매핑하십시오.

제약 사항

고정 캔버스, FP32, 내보낸 그대로의 배치. dynamic=True는 NotImplementedError를 발생시키고, half=True와 int8=True는 검증 단계에서 거부됩니다.

변환 쪽 커버리지는 넓습니다. 검증된 조합에는 YOLO9 계열, YOLOX, YOLO7, Darknet 시대의 탐지기 네 종, YOLO-NAS, PicoDet, RTMDet, RT-DETR, RT-DETRv2, RT-DETRv4, D-FINE, DEIM, DEIMv2, EC, RF-DETR 탐지, CNN 분류 계열 네 종과 클래스가 고정된 CLIP 및 SigLIP2, Depth Anything V2와 ZipDepth, NAFNet과 Real-ESRGAN 복원, PIDNet과 LingBotVision 시맨틱 분할, FOMO 점 탐지가 포함됩니다. 각각 자체적으로 기록된 컨텍스트가 있으며, libreyolo formats가 이를 출력합니다.

차단된 조합과 조합별로 기록된 이유:

RF-DETR 모델에는 아티팩트를 비교하기 전에 읽어 둘 만한 주의 사항이 하나 있습니다. 이 모델의 수치 일치는 ONNX가 아니라 Core AI 내보내기 도구가 직접 준비한 그래프를 기준으로 기록되며, 640 캔버스에서는 RF-DETR ONNX 아티팩트가 그 준비된 그래프와 일치하지 않습니다. Core AI의 재베이킹은 eager 모델이 수행하는 안티에일리어싱 리사이즈를 보존하지만, ONNX 경로는 안티에일리어싱을 비활성화합니다. 따라서 ONNX는 네이티브가 아닌 캔버스에서 그 계열의 유효한 기준이 되지 못합니다.

Apple의 이전 형식은 Core ML을 참고하십시오. 전체 계열과 작업 표는 내보내기 매트릭스를 참고하십시오. 조합 하나는:

libreyolo formats --family yolo9 --task detect