Core AI

Встановлення

Цей формат працює лише на macOS. Залежність coreai-torch має маркер sys_platform == 'darwin', а набір інструментів ніде більше не конвертує і не запускає моделі.

# Свідомо не входить до жодного зведеного extra: coreai-torch закріплює# torch на 2.11.x і перетягнув би все середовище на цю версію.pip install "libreyolo[coreai]"

Цей extra перебуває поза всіма зведеними extra, зокрема libreyolo[all], бо coreai-torch закріплює torch на серії 2.11. Встановлюйте його в середовище, яке ви готові обмежити цією парою.

Експорт

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Записує 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 або (висота, ширина); це полотно запуску    batch=1,    output_path=None, # None записує weights/<stem>.aimodel) # dynamic=True викликає NotImplementedError.# half=True та int8=True відхиляються під час валідації.

Захоплення виконує torch.export: це справжнє захоплення графа з перевірками (guards), а не один записаний трейс. Такий шлях суворіший за Core ML: читання скалярів на боці хоста та потік керування, залежний від даних, відхиляються, замість того щоб мовчки запікатися в граф, тому кілька сімейств тут заблоковано із записаною помилкою захоплення.

Три підготовчі кроки виконуються всередині області, яка відновлює живу модель викликача незалежно від того, успішний експорт чи ні. У сімействах, похідних від Darknet, батч-нормалізацію в режимі інференсу точно згортають у попередні згортки, бо Core AI 0.4.1 не зберігає формулу Darknet з епсилоном після квадратного кореня. У сіткових та якірних сімействах якорі заморожують під фіксоване полотно. У RF-DETR позиційний ембединг перезапікають під запитане полотно, повторно запускаючи власний шлях запікання моделі, бо конвертер не має зниження для aten._upsample_bicubic2d_aa.

На етапі зниження еталонну декомпозицію PyTorch для aten.grid_sampler_2d вносять у таблицю декомпозицій, бо конвертер Core AI не має зниження для семплера deformable attention, який використовують сімейства DETR.

Ресурси оголошують мінімальну версію ОС v27, і це єдине значення, яке пропонує набір інструментів. Це обмежує розгортання, а не конвертацію: конвертація та виконання на боці Python працюють на давніших macOS завдяки середовищу виконання всередині пакета wheel, але числові результати різняться між версіями ОС, тому записаний паритет вимірюють на macOS 27.

Запуск артефакту

У libreyolo/backends немає запису для Core AI, тому LibreYOLO() не завантажує файл .aimodel. Споживачі використовують середовище виконання Core AI напряму, а препроцесинг, декодування, NMS і перемасштабування координат лишаються на їхньому боці. Валідований рядок у матриці підтримки стверджує, що експортований граф обчислює ті самі числа, що й еталон, а не що його запустить predict.

Єдине, чого споживач не може відтворити самостійно, це порядок виходів:

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt")model.export(format="coreai", imgsz=640) # Метадані ресурсу зберігають імена експортованих виходів у порядку# графа під ключем "coreai_output_names". Словник, який повертає# Core AI, відображайте за іменами з цього списку; ніколи не# зіставляйте його позиційно з кортежем eager-режиму.

Core AI повертає іменований словник, порядок ключів у якому не збігається ні з порядком кортежу прямого проходу в eager-режимі, ні з чимось передбачуваним. Саме тому експортовані імена записуються в метадані ресурсу як coreai_output_names. Зіставляйте за іменем.

Обмеження

Фіксоване полотно, FP32, батч такий, яким його експортовано. dynamic=True викликає NotImplementedError, а half=True та int8=True відхиляються під час валідації.

Покриття з боку конвертації широке. Валідовані комбінації охоплюють виявлення в сімействах YOLO9, YOLOX, YOLO7, чотирьох детекторах епохи Darknet, YOLO-NAS, PicoDet, RTMDet, RT-DETR, RT-DETRv2, RT-DETRv4, D-FINE, DEIM, DEIMv2, EC і RF-DETR; чотири сімейства класифікації на CNN, а також CLIP і SigLIP2 із замороженими класами; Depth Anything V2 і ZipDepth; відновлення зображень NAFNet і Real-ESRGAN; семантичну сегментацію PIDNet і LingBotVision; а також виявлення точок FOMO. Кожна має власний записаний контекст, який виводить libreyolo formats.

Заблоковані, з причиною, записаною для кожної комбінації:

З RF-DETR пов'язане одне застереження, яке варто прочитати перед порівнянням артефактів. Паритет тут записано щодо графа, який готує сам експортер Core AI, а не щодо ONNX, і на полотні 640 артефакт ONNX для RF-DETR розходиться з цим підготовленим графом. Повторне запікання в Core AI зберігає масштабування зі згладжуванням, яке виконує модель в eager-режимі, тоді як шлях ONNX згладжування вимикає. Тому ONNX не є коректним еталоном для цього сімейства на полотні, відмінному від нативного.

Про попередній формат Apple читайте в Core ML. Повну сітку сімейств і задач містить матриця експорту. Для однієї комбінації:

libreyolo formats --family yolo9 --task detect