在本文中，我們將詳細介紹如何將 YOLOv8/11/12 模型轉換為 CoreML 格式，并使用該模型在攝像頭實時檢測中進行目標檢測。主要適用于M1、M2、M3、M4芯片的產品。
以下教程在YOLOv8/11/12均適用，此處就以 YOLOv11 舉例

目錄

• 前提條件
• YOLOv8/11/12 轉換為 CoreML
• 實時目標檢測
• 結論

前提條件

在開始之前，確保您已經完成以下步驟：

1. 安裝 Python 3.12，并創建一個 Conda 環境：

   conda create --name yolocoreml python=3.12
   conda activate yolocoreml
   

2. 安裝所需的依賴項：

   pip install ultralytics coremltools pillow numpy opencv-python
   

3. 確保您已經有了 YOLOv11 模型（例如 yolo11n.pt）用于轉換。

YOLOv8/11/12 轉換為 CoreML

我們可以使用以下 Python 腳本將 YOLOv8/11/12 模型轉換為 CoreML 格式。convertCoreml.py 腳本完成了這個任務：

from ultralytics import YOLO# 加載 YOLOv11 模型
model = YOLO("yolo11n.pt")# 將模型導出為 CoreML 格式
model.export(format="coreml")  # 創建 'yolo11n.mlpackage' 文件

這段代碼加載 YOLOv11 模型（.pt 格式）并將其導出為 CoreML 格式（.mlpackage），可以在蘋果設備上進行推理。

實時目標檢測

CoreML 模型準備好后，我們可以使用攝像頭視頻流來進行實時目標檢測。yolocoreml_demo.py 腳本通過在每一幀上進行推理來實現這一目標。

演示功能：

• 實時目標檢測，直接從攝像頭獲取視頻流。
• 根據置信度和交并比（IoU）過濾檢測框，增加準確度。
• 為不同類別的目標框使用不同的顏色進行標注。

下面是 yolocoreml_demo.py 腳本的核心部分：

import cv2
import numpy as np
from ultralytics import YOLO
import argparse
from torchvision.ops import box_iou# 解析命令行參數
def parse_args():parser = argparse.ArgumentParser(description="YOLO 目標檢測")parser.add_argument('--model', type=str, default