Конвертация ML-модели в Core ML для iOS

Проблемы конвертации в Core ML

Получить .mlpackage из PyTorch или TensorFlow — задача с конкретными шагами, где каждый может сломаться по неочевидной причине. coremltools не поддерживает все операции — например, einsum, свёртки с динамическими размерами или ветвления в графе. Прямая конвертация часто выдаёт ошибку или приводит к падению точности на 5–10 %. Мы накопили опыт решения таких кейсов: за 5 лет работы мы конвертировали более 50 моделей для финансового сектора, ритейла и AR-приложений. В среднем инференс на iPhone ускоряется на 30–50 % после оптимизации под Apple Neural Engine. Закажите конвертацию — получите готовый .mlpackage с верификацией точности.

Почему конвертация в Core ML требует знаний?

coremltools не поддерживает все операции PyTorch/TensorFlow, а для других требуется правильная настройка параметров. Прямая конвертация часто приводит к ошибкам или ухудшению точности. Мы решаем эти проблемы, подбирая оптимальные параметры и при необходимости используя кастомные слои.

Подготовка модели к конвертации

Перед конвертацией модель должна быть в eval-режиме с фиксированными весами. torch.jit.trace требует примера входных данных — он записывает граф для конкретного shape:

import torch
import torchvision
import coremltools as ct

model = MyModel()
model.load_state_dict(torch.load("weights.pth", map_location="cpu"))
model.eval()

# trace — фиксирует граф для конкретного shape
example_input = torch.zeros(1, 3, 224, 224)
traced_model = torch.jit.trace(model, example_input)

# Для ветвлений (if/else) используйте torch.jit.script:
# scripted_model = torch.jit.script(model)

# Конвертация в mlprogram
mlmodel = ct.convert(
    traced_model,
    inputs=[ct.ImageType(
        name="input",
        shape=ct.Shape(shape=(1, 3, 224, 224)),
        color_layout=ct.colorlayout.RGB,
        bias=[-0.485/0.229, -0.456/0.224, -0.406/0.225],
        scale=1/(255.0 * 0.229)
    )],
    outputs=[ct.TensorType(name="logits")],
    compute_precision=ct.precision.FLOAT16,
    minimum_deployment_target=ct.target.iOS16,
    convert_to="mlprogram"
)

mlmodel.short_description = "Image classifier"
mlmodel.input_description["input"] = "RGB image 224x224"
mlmodel.output_description["logits"] = "Class probabilities"
mlmodel.save("MyModel.mlpackage")

Если прямая конвертация не работает, используйте ONNX как промежуточный шаг: torch.onnx.export(model, example_input, "model.onnx", opset_version=17), затем ct.converters.onnx.convert.

Как проверить корректность конвертации?

Сравните выходы оригинальной модели и Core ML на тестовом изображении:

import numpy as np
import PIL.Image

img = PIL.Image.open("test.jpg").resize((224, 224))

transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor(),
    torchvision.transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
tensor = transform(img).unsqueeze(0)
with torch.no_grad():
    pytorch_out = model(tensor).numpy()

coreml_out = mlmodel.predict({"input": img})["logits"]

max_diff = np.max(np.abs(pytorch_out - coreml_out))
print(f"Max difference: {max_diff}")

Норма для FP16 — меньше 0.01. Если разница больше 0.05 — проверьте нормализацию в ct.ImageType.

Как настроить переменные размеры входа?

# Диапазон размеров
flexible_shape = ct.Shape(
    shape=(1, 3, ct.RangeDim(min_val=64, max_val=1024), ct.RangeDim(min_val=64, max_val=1024))
)

# Набор конкретных размеров
enumerated_shapes = ct.EnumeratedShapes(
    shapes=[
        ct.Shape(shape=(1, 3, 224, 224)),
        ct.Shape(shape=(1, 3, 384, 384)),
        ct.Shape(shape=(1, 3, 512, 512)),
    ]
)

mlmodel = ct.convert(traced_model, inputs=[ct.TensorType(name="input", shape=enumerated_shapes)])

Кастомные операции

Если модель содержит операцию, которую coremltools не знает, добавьте кастомный слой на Swift. На Python регистрируем операцию:

@ct.converters.mil.register_torch_op()
def my_custom_op(context, node):
    x = context[node.inputs[0]]
    result = mb.custom(params={"...": "..."}, inputs={"x": x}, ...)
    context.add(result)

import CoreML

@objc(MyCustomLayer)
class MyCustomLayer: NSObject, MLCustomLayer {
    required init(parameters: [String: Any]) throws { }
    func setWeightData(_ weights: [Data]) throws { }
    func outputShapes(forInputShapes inputShapes: [[NSNumber]]) throws -> [[NSNumber]] { ... }
    func evaluate(inputs: [MLMultiArray], outputs: [MLMultiArray]) throws { }
}

Кастомный слой выполняется на CPU — для производительности лучше использовать стандартные операции.

Сравнение производительности на устройствах

Apple Neural Engine ускоряет инференс в 10–20 раз по сравнению с CPU. Результаты для модели ResNet-50 (224x224):

Сравнение форматов Core ML

Что входит в работу по конвертации?

• Аудит модели — анализ графа, выявление несовместимых операций, рекомендации по рефакторингу. Проверка на поддержку ANE.
• Конвертация — подбор точности (FP16/INT8), размера входа, решение ошибок coremltools. При необходимости — кастомные слои.
• Верификация точности — сравнение на 100+ тестовых примерах, отчёт с max diff и метриками (accuracy, mAP).
• Оптимизация под ANE — замена Reshape/Permute на ANE-совместимые, устранение узких мест, квантование.
• Документация — описание параметров модели, интеграции в Xcode, пример использования.

Чек-лист конвертации

• [ ] Модель в eval-режиме, веса заморожены
• [ ] Пример входных данных подготовлен
• [ ] Выбран format mlprogram (если iOS >= 15)
• [ ] Проверена поддержка операций через PYTORCH_OPS_REGISTRY
• [ ] Выполнена численная верификация (max diff < 0.01)
• [ ] Протестировано на целевых устройствах (CPU/GPU/ANE)
• [ ] Результаты сравнения времени инференса задокументированы

Квантование: INT8 vs FP16

Помимо конвертации в mlprogram, квантование позволяет дополнительно уменьшить размер модели и ускорить инференс. FP16 (float16) сокращает объём весов вдвое без заметной потери точности — это наш стандарт по умолчанию. INT8 уменьшает модель ещё в 2 раза, но требует калибровочного датасета для оценки погрешности квантования. На Apple Neural Engine INT8 работает особенно быстро: прирост скорости составляет 1,5–2× по сравнению с FP16. Для задач классификации и детекции объектов потеря точности при INT8 обычно не превышает 1–2%. Для задач с текстом или генерацией — FP16 предпочтительнее.

# Квантование в INT8 через coremltools
mlmodel_int8 = ct.compression_utils.affine_quantize_weights(mlmodel, mode="linear_symmetric")
mlmodel_int8.save("MyModel_INT8.mlpackage")

Наша команда проводит сравнительное тестирование обоих форматов на вашем конкретном устройстве и выбирает оптимальный вариант. Стоимость квантования включена в стоимость конвертации и не тарифицируется отдельно.

Получите консультацию инженера по вашей модели — оценим сложность конвертации и подберём оптимальные параметры. Обращайтесь к нам для аудита и конвертации.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).