Core AI

Instalacja

Ten format działa tylko na macOS. Zależność coreai-torch ma marker sys_platform == 'darwin', a toolchain nigdzie indziej nie konwertuje ani nie uruchamia modeli.

# Celowo poza każdym zbiorczym extra: coreai-torch przypina torch# do 2.11.x i przeciągnąłby całe środowisko na tę wersję.pip install "libreyolo[coreai]"

Ten extra znajduje się poza każdym zbiorczym extra, w tym libreyolo[all], ponieważ coreai-torch przypina torch do serii 2.11. Zainstaluj go w środowisku, które chcesz ograniczyć do tej pary.

Eksport

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Zapisuje 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 lub (wysokość, szerokość); to jest płótno uruchomienia    batch=1,    output_path=None, # None zapisuje weights/<stem>.aimodel) # dynamic=True zgłasza NotImplementedError.# half=True i int8=True są odrzucane podczas walidacji.

Przechwytywanie realizuje torch.export, czyli prawdziwe przechwycenie grafu z warunkami guard, a nie pojedynczy zapisany ślad. Jest to ścieżka bardziej restrykcyjna niż w Core ML: odczyty skalarów po stronie hosta i przepływ sterowania zależny od danych są odrzucane, zamiast być po cichu zapiekane, dlatego kilka rodzin jest tu zablokowanych z zapisanym błędem przechwytywania.

Trzy kroki przygotowawcze wykonują się wewnątrz zakresu, który przywraca żywy model strony wywołującej niezależnie od tego, czy eksport się powiedzie, czy nie. W rodzinach wywodzących się z Darknet normalizacja batch w trybie inferencji jest dokładnie zwijana w poprzedzające sploty, ponieważ Core AI 0.4.1 nie zachowuje formuły Darknet z epsilonem po pierwiastku kwadratowym. W rodzinach siatkowych i kotwicowych kotwice są zamrażane pod stałe płótno. W RF-DETR embedding pozycyjny jest ponownie zapiekany pod żądane płótno przez powtórne uruchomienie własnej ścieżki zapiekania modelu, ponieważ konwerter nie ma obniżania dla aten._upsample_bicubic2d_aa.

Na etapie obniżania referencyjna dekompozycja PyTorch dla aten.grid_sampler_2d jest włączana do tabeli dekompozycji, ponieważ konwerter Core AI nie ma obniżania dla samplera deformable attention używanego przez rodziny DETR.

Zasoby deklarują minimalną wersję systemu v27, czyli jedyną wartość, jaką oferuje toolchain. Ogranicza to wdrożenie, a nie konwersję: konwersja i wykonanie po stronie Pythona działają na wcześniejszych wersjach macOS dzięki środowisku uruchomieniowemu wewnątrz pakietu wheel, ale wyniki numeryczne różnią się między wersjami systemu, więc zapisany parytet jest mierzony na macOS 27.

Uruchamianie artefaktu

W libreyolo/backends nie ma wpisu dla Core AI, więc LibreYOLO() nie wczytuje pliku .aimodel. Konsumenci używają środowiska uruchomieniowego Core AI bezpośrednio, a preprocessing, dekodowanie, NMS i przeskalowanie współrzędnych leżą po ich stronie. Zwalidowany wiersz w macierzy wsparcia to deklaracja, że wyeksportowany graf liczy te same wartości co referencja, a nie że uruchomi go predict.

Jedyne, czego konsument nie jest w stanie odtworzyć samodzielnie, to kolejność wyjść:

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt")model.export(format="coreai", imgsz=640) # Metadane zasobu zapisują nazwy wyeksportowanych wyjść w kolejności grafu,# pod kluczem "coreai_output_names". Zwracany przez Core AI słownik mapuj# po nazwach z tej listy; nigdy nie paruj go pozycyjnie z krotką eager.

Core AI zwraca nazwany słownik, którego kolejność kluczy nie odpowiada ani kolejności krotki z przejścia w przód w trybie eager, ani niczemu, co dałoby się odgadnąć. Właśnie dlatego wyeksportowane nazwy są zapisywane w metadanych zasobu jako coreai_output_names. Mapuj po nazwie.

Ograniczenia

Stałe płótno, FP32, batch taki, jaki został wyeksportowany. dynamic=True zgłasza NotImplementedError, a half=True i int8=True są odrzucane podczas walidacji.

Pokrycie po stronie konwersji jest szerokie. Zwalidowane kombinacje obejmują detekcję w rodzinach YOLO9, YOLOX, YOLO7, czterech detektorach z epoki Darknet, YOLO-NAS, PicoDet, RTMDet, RT-DETR, RT-DETRv2, RT-DETRv4, D-FINE, DEIM, DEIMv2, EC i RF-DETR; cztery rodziny klasyfikacji CNN oraz CLIP i SigLIP2 z zamrożonymi klasami; Depth Anything V2 i ZipDepth; restaurację NAFNet i Real-ESRGAN; segmentację semantyczną PIDNet i LingBotVision; a także detekcję punktów FOMO. Każda ma własny zapisany kontekst, który wypisuje libreyolo formats.

Zablokowane, z przyczyną zapisaną dla każdej kombinacji:

Z RF-DETR wiąże się jedno zastrzeżenie, które warto przeczytać przed porównywaniem artefaktów. Parytet jest tu zapisany względem grafu, który przygotowuje sam eksporter Core AI, a nie względem ONNX, i przy płótnie 640 artefakt ONNX dla RF-DETR rozjeżdża się z tym przygotowanym grafem. Ponowne zapiekanie w Core AI zachowuje skalowanie z antyaliasingiem wykonywane przez model w trybie eager, podczas gdy ścieżka ONNX antyaliasing wyłącza. ONNX nie jest więc poprawną referencją dla tej rodziny przy płótnie innym niż natywne.

Wcześniejszy format Apple opisuje Core ML. Pełną siatkę rodzin i zadań zawiera macierz eksportu. Dla jednej kombinacji:

libreyolo formats --family yolo9 --task detect