Core MLモデル
リサーチコミュニティがCore ML向けにデザインした機械学習モデルを利用して、アプリにインテリジェンスを実装しましょう。
モデルはCore ML形式で、Xcodeプロジェクトに組み込むことができます。モデルの異なるバージョンを選択することで、サイズやアーキテクチャを最適化することができます。
画像
FastViT
画像分類
カメラフレームまたは画像の中の主要なオブジェクトを分類するようトレーニングされたFast Hybrid Vision Transformerアーキテクチャです。
詳細を表示する
モデル情報
概要
FastViTは、ImageNetデータセットでトレーニングされた汎用的なハイブリッド型のビジョン変換モデルであり、精度とレイテンシーの最適なトレードオフを提供します。
このモデルに備わる高パフォーマンス、低レイテンシー、および分布外サンプルに対する堅牢性は、以下の3つの新しいアーキテクチャ戦略に基づきます。
- 構造的な再パラメータ化
- 線形的なトレーニング時間の過剰パラメータ化
- 大規模カーネルによる畳み込みの使用
FastViTは、画像分類、オブジェクト検出、セマンティックセグメンテーション、3Dメッシュの回帰分析など、多岐にわたるコンピュータビジョンのタスクにおいて、競合する高性能アーキテクチャよりも優れたパフォーマンスをモバイルおよびデスクトップのGPUプラットフォーム上で安定的に提供します。
ユースケース
画像分類、オブジェクト検出、セマンティックセグメンテーション、3Dメッシュの回帰分析
リンク
バリアント
| バリアント | パラメータ | サイズ | 重みの精度 | アクティベーションの精度 |
|---|---|---|---|---|
| T8 | 3.6M | 7.8 | Float16 | Float16 |
| MA36 | 42.7M | 84 | Float16 | Float16 |
推論時間
| バリアント | デバイス | OS | 推論時間（ミリ秒） | 演算ユニット |
|---|---|---|---|---|
| T8 F16 | iPhone 16 Pro | 18.3 | 0.52 | すべて |
| T8 F16 | iPhone 15 Pro Max | 17.6 | 0.67 | すべて |
| T8 F16 | iPhone 15 Plus | 17.6 | 0.73 | すべて |
| T8 F16 | iPhone 14 Plus | 17.6 | 0.82 | すべて |
| T8 F16 | iPhone 13 Pro Max | 17.6 | 0.83 | すべて |
| T8 F16 | MacBook Pro M3 Max | 14.4 | 0.62 | すべて |
| MA36 F16 | iPhone 16 Pro | 18.3 | 2.78 | すべて |
| MA36 F16 | iPhone 15 Pro Max | 17.6 | 3.33 | すべて |
| MA36 F16 | iPhone 15 Plus | 17.6 | 3.47 | すべて |
| MA36 F16 | iPhone 14 Plus | 17.6 | 4.56 | すべて |
| MA36 F16 | iPhone 13 Pro Max | 17.6 | 4.47 | すべて |
| MA36 F16 | MacBook Pro M2 Max | 15.0 | 2.94 | すべて |
| MA36 F16 | MacBook Pro M1 Max | 15.0 | 4 | すべて |
| MA36 F16 | iPad Pro（第5世代） | 17.5 | 3.35 | すべて |
サンプルプロジェクト
-
VisionとCore MLでの画像の分類
Visionのフレームワークを使用して写真を前処理し、Core MLモデルを使用して分類します。
画像
Depth Anything V2
深度推定
Depth Anythingモデルは単眼深度推定を実行します。
詳細を表示する
モデル情報
概要
Depth Anything V2は、単眼深度推定のための基盤モデルです。パワフルなデータキュレーションエンジンとTeacher-Studentパイプラインを改良することで、オリジナルのDepth Anythingの強みを維持しつつ従来の課題を克服しています。
Depth Anything V2では、Teacherモデルのトレーニングに完全にコンピュータで生成された合成画像を使用するため、実世界の画像（実画像）の使用に伴う問題を回避できます。実画像は、注釈にノイズが多く解像度が低いために単眼深度推定モデルのパフォーマンスに制約が生じる可能性があります。Teacherモデルは、ラベルなしの実画像の深度情報を予測し、そうして得られた疑似ラベル付きの新しいデータのみを使用してStudentモデルをトレーニングします。そのため、合成画像と実画像の間での分布シフトを抑制できます。
深度推定タスクにおいて、Depth Anything V2モデルは最適化を通じてV1を上回る性能を実現しています。特に堅牢性、推論の速度、画像の深度プロパティ（微細なディテール、透明オブジェクト、反射、複雑なシーンなど）の点が向上しています。データキュレーションに対する高度なアプローチにより、標準のデータセット（KITTI、NYU-D、Sintel、ETH3D、DIODEなど）において優れたパフォーマンスを実現しています。また深度推定のために開発された新しいDA-2k評価セットでの評価で、V1やその他のコミュニティモデルと比較して9%以上の精度向上を達成しています。
Depth Anything V2は、幅広いモデルスケールを利用でき推論効率にも優れているため、多様なアプリケーションをサポートするほか、下流のタスクに合わせたファインチューニングのための一般化も可能です。3D再構成、ナビゲーション、車両の自律走行、画像やビデオの生成など、深度推定を必要とするあらゆるアプリケーションで使用できます。
ユースケース
深度推定、セマンティックセグメンテーション
リンク
バリアント
| バリアント | パラメータ | サイズ | 重みの精度 | アクティベーションの精度 |
|---|---|---|---|---|
| F32 | 24.8M | 99.2 | Float32 | Float32 |
| F16 | 24.8M | 49.8 | Float16 | Float16 |
推論時間
| バリアント | デバイス | OS | 推論時間（ミリ秒） | 演算ユニット |
|---|---|---|---|---|
| Small F16 | iPhone 16 Pro | 18.3 | 26.21 | すべて |
| Small F16 | iPhone 15 Pro Max | 17.4 | 33.90 | すべて |
| Small F16 | MacBook Pro M1 Max | 15.0 | 33.48 | すべて |
| Small F16 | MacBook Pro M1 Max | 15.0 | 32.78 | GPU |
画像
DETR Resnet50によるセマンティックセグメンテーション
セマンティックセグメンテーション
オブジェクト検出およびパノプティックセグメンテーション用にトレーニングされたDEtection TRansformer（DETR）モデルで、セマンティックセグメンテーションマスクを返すように構成されます。
詳細を表示する
モデル情報
概要
DETRモデルは、COCO 2017データセットでトレーニングされた畳み込みバックボーンを持つエンコーダ/デコーダTransformerです。実績のあるML戦略を組み合わせて使用することで、標準的なオブジェクト検出モデルと比較して、より洗練された方法で画像内のオブジェクトを検出および分類しつつ、同等のパフォーマンスを提供します。
DETRモデルは、予測されたオブジェクトと実際に検出されたオブジェクトとの間で二部マッチングを実行する損失関数を使用してトレーニングされています。推論時に自己注意を画像全体に適用し、すべてのオブジェクトを一度に予測します。グローバルな注意を採用しているため、DETRモデルのパフォーマンスは大きなオブジェクトでは標準のオブジェクト検出モデルよりも優れていますが、小さなオブジェクトでは劣ります。この制約にもかかわらず、困難なCOCOデータセットでの評価では、DETRは高度に最適化されたほかのアーキテクチャと同等の精度とランタイムパフォーマンスを達成しています。
DETRは、標準のCNNクラスとTransformerクラスが含まれるあらゆるフレームワークで簡単に再現できます。また、パノプティックセグメンテーションや、事前トレーニング済みのDETRを基盤としてトレーニングした単純なセグメンテーションヘッドを必要とするその他のタスクなど、より複雑なタスクに対応するための一般化も容易に行えます。
DETRでは、従来のアーキテクチャでは十分なパフォーマンスを達成するための要件であった、煩雑なサロゲートタスクや手作業でのコンポーネント設計が不要になります。代わりに、概念的にシンプルで簡単に再現できるアプローチを採用することで、オブジェクト検出パイプラインを効率化します。
ユースケース
オブジェクト検出、パノプティックセグメンテーション
リンク
バリアント
| バリアント | パラメータ | サイズ | 重みの精度 | アクティベーションの精度 |
|---|---|---|---|---|
| F32 | 43M | 171 | Float32 | Float32 |
| F16 | 43M | 86 | Float16 | Float16 |
推論時間
| バリアント | デバイス | OS | 推論時間（ミリ秒） | 演算ユニット |
|---|---|---|---|---|
| F16 | iPhone 16 Pro | 18.3 | 34.32 | すべて |
| F16 | iPhone 15 Pro Max | 17.6 | 39 | すべて |
| F16 | iPhone 15 Plus | 17.6 | 43 | すべて |
| F16 | iPhone 14 Plus | 17.6 | 50 | すべて |
| F16 | iPhone 14 | 17.5 | 51 | すべて |
| F16 | iPhone 13 Pro Max | 17.6 | 51 | すべて |
| F16 | MacBook Pro M1 Max | 15.0 | 117 | すべて |
| F16 | MacBook Pro M1 Max | 15.0 | 43 | GPU |
| F16P8 | iPhone 16 Pro | 18.3 | 32.23 | すべて |
| F16P8 | iPhone 15 Plus | 18.0 | 40.73 | すべて |
| F16P8 | iPhone 13 Pro Max | 17.6 | 51.53 | すべて |
| F16P8 | MacBook Pro M1 Max | 15.0 | 36.52 | すべて |
| F16P8 | MacBook Pro M1 Max | 15.0 | 33.14 | GPU |
| F16P8 | iPad Pro（第5世代） | 18.0 | 62.49 | すべて |
| F16P8 | iPad Pro（第4世代） | 18.0 | 1224 | すべて |
テキスト
BERT-SQuAD
質問応答
テキストの段落に関する質問の回答を探します。
詳細を表示する
モデル情報
概要
BERT (Bidirectional Encoder Representations from Transformers) は、ファインチューニングをベースとするアプローチを使用して事前トレーニング済みの表現を下流のNLPタスクに適用する言語表現モデルです。BERT-SQuADが対応する下流のNLPタスクは、コンテキストベースの質問応答です。
BERTの多層双方向型のTransformerエンコーダアーキテクチャは、事前トレーニングとファインチューニングの両方のステップで使用されます。BERT-SQuADはこれを、与えられた質問およびStanford Question Answering Dataset (SQuAD)からの関連するコンテキストに対して的確な回答を抽出するように適応させます。
BERTは、2つの教師なし事前トレーニングタスクを使用して、BooksCorpusと英語版Wikipediaの文章で事前トレーニングされています。BERTはマスク言語モデルのタスクを使用して、双方向の自己注意によるTransformer深層学習と、次文予測タスクの事前トレーニングを行います。これにより、すべてのレイヤーの左と右の両方のコンテキストについて条件付けされたテキストペア表現をまとめて事前トレーニングします。
ファインチューニングでは、BERT-SQuADは事前トレーニング中に取得したパラメータで初期化されます。その後、Stanford Question Answering Datasetのラベル付きデータを使用して、すべてのパラメータのファインチューニングを行います。
一般的に、特定のNLPタスクのためのBERTのファインチューニングは簡単で低コストです。BERTの論文のすべてのトークンレベルおよびセンテンスレベルのタスク固有のモデルは、BERTをたった1つの追加出力レイヤーに組み込むことによって作成されました。
ユースケース
質問応答
リンク
バリアント
| モデル名 | サイズ | アクション |
|---|---|---|
| BERTSQUADFP16.mlmodel | 217.8MB | ダウンロード |
サンプルプロジェクト
-
テキスト文書での質問応答
BERT（Bidirectional Encoder Representations from Transformers）モデルに質問をして、文書内で関連する記述の場所を特定します。
画像
DeeplabV3
画像セグメンテーション
カメラフレームまたは画像のピクセルを、あらかじめ定義した複数のクラスにセグメント化します。
詳細を表示する
モデル情報
リンク
画像
MNIST
線画分類
1桁の手書きの数字（0〜9の数字に対応）を分類します。
詳細を表示する
画像
MobileNetV2
画像分類
カメラフレームまたは画像の中の主要なオブジェクトを分類するようトレーニングされたMobileNetv2アーキテクチャです。
詳細を表示する
画像
Resnet50
画像分類
カメラフレームまたは画像の中の主要なオブジェクトを分類するResidual Neural Networkです。
詳細を表示する
画像
UpdatableDrawingClassifier
線画分類
k近傍法（KNN）モデルに基づいて新しい線画の認識を学習する線画分類モデルです。
詳細を表示する
モデル情報
リンク
バリアント
| モデル名 | サイズ | アクション |
|---|---|---|
| UpdatableDrawingClassifier.mlmodel | 382KB | ダウンロード |
サンプルプロジェクト
-
オンデバイスアップデートによるモデルのパーソナライズ
デバイス上で線画分類モデルをアップデートして、ユーザーが描いた線画をカスタムステッカーにマッピングする方法を確認しましょう。
画像
YOLOv3
オブジェクト検出
カメラフレームまたは画像の中のオブジェクトを特定し、80種類に分類します。
詳細を表示する
