Core ML 工具

使用 Core ML 工具（coremltools）将第三方库中的机器学习模型转换为 Core ML 格式。这个 Python 包包含用于从以下训练库中转换模型的支持工具：

• TensorFlow 1.x
• TensorFlow 2.x
• PyTorch
• 非神经网络框架：
  • scikit-learn
  • XGBoost
  • LibSVM

借助 coremltools，您可以：

• 将训练好的模型转换为 Core ML 格式。
• 读取、写入和优化 Core ML 模型。
• 在 macOS 上通过使用 Core ML 进行预测来验证转换或创建过程。

转换完成后，您可以通过 Xcode 将 Core ML 模型集成到您的应用中。

安装 8.3 版

要安装最新的非测试版，请在终端中运行以下命令：

pip install -U coremltools

安装 9.0 测试版 1

Coremltools 9.0 测试版 1 现已发布。要安装，请在终端中运行以下命令：

pip install coremltools==9.0b1

Core ML

Core ML 是 Apple 提供的一个框架，用于将机器学习模型集成到您的应用中。Core ML 为所有模型提供统一的表示形式。您的应用可以使用 Core ML API 和用户数据进行预测，并在用户的设备上对模型进行微调。Core ML 通过利用 CPU、GPU 和神经引擎来优化设备端性能，同时最大限度地减少内存占用和功耗。将模型完全在用户设备上运行，无需任何网络连接，这有助于保护用户数据隐私并保持应用的响应速度。

资源

要安装 coremltools，请参阅 安装 Core ML 工具。更多信息请参见以下内容：

• 发行说明
• 指南和示例
• API 参考
• Core ML 规范
• 从源代码构建
• 贡献指南

Core ML Tools 快速上手指南

Core ML Tools (coremltools) 是 Apple 官方提供的 Python 工具包，用于将第三方机器学习框架（如 TensorFlow、PyTorch、scikit-learn 等）训练的模型转换为苹果生态专用的 Core ML 格式，以便在 iOS、macOS、watchOS 和 tvOS 应用中高效运行。

环境准备

• 操作系统：推荐在 macOS 上进行模型验证和最终集成（需安装 Xcode），但模型转换过程可在 Linux、Windows 或 macOS 上完成。
• Python 版本：支持 Python 3.7 及以上版本（具体支持版本请参考 PyPI 页面）。
• 前置依赖：
  • 已训练好的模型文件（例如 .h5, .pt, .pkl 等）。
  • 对应的原始深度学习框架（如 tensorflow, torch, scikit-learn 等）需预先安装。

安装步骤

1. 使用国内镜像源加速安装（推荐）

在中国大陆地区，建议使用清华或阿里云镜像源以提升下载速度。

安装最新稳定版 (v8.3)：

pip install -U coremltools -i https://pypi.tuna.tsinghua.edu.cn/simple

安装 Beta 测试版 (v9.0b1)： 如需体验最新特性（注意可能存在不稳定性），可安装 Beta 版本：

pip install coremltools==9.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 验证安装

安装完成后，可通过以下命令检查版本：

python -c "import coremltools; print(coremltools.__version__)"

基本使用

以下示例展示如何将一个预训练的 TensorFlow/Keras 模型转换为 Core ML 格式。其他框架（如 PyTorch）流程类似，只需更改加载模型和转换的 API。

最简单的转换示例

假设你有一个名为 my_model.h5 的 Keras 模型文件：

import coremltools as ct
from tensorflow import keras

# 1. 加载已训练的模型 (以 Keras 为例)
keras_model = keras.models.load_model('my_model.h5')

# 2. 转换为 Core ML 模型
# input_names 和 output_names 可根据需要自定义
mlmodel = ct.convert(
    keras_model,
    inputs=[ct.ImageType(shape=(1, 224, 224, 3), bias=[-1,-1,-1], scale=1/127.5)],
    convert_to="mlprogram" # 推荐使用新一代 mlprogram 格式
)

# 3. 保存为 .mlmodel 或 .mlpackage 文件
mlmodel.save("MyConvertedModel.mlpackage")

print("转换成功！文件已保存为 MyConvertedModel.mlpackage")

后续步骤

转换生成的 .mlpackage 文件可直接拖入 Xcode 项目中。在 macOS 上，你还可以使用 coremltools 进行预测验证：

# 仅在 macOS 上支持直接预测验证
from PIL import Image
import numpy as np

# 加载测试图片
img = Image.open('test_image.jpg').resize((224, 224))
input_data = np.array(img)

# 执行预测
prediction = mlmodel.predict({'image': input_data})
print(prediction)

提示：转换后的模型需通过 Xcode 集成到 App 中，利用 Core ML 框架调用 CPU、GPU 或 Neural Engine 进行本地推理，确保用户数据隐私并降低延迟。