在本文中，我们将详细介绍如何将 YOLOv8/11/12 模型转换为 CoreML 格式，并使用该模型在摄像头实时检测中进行目标检测。主要适用于M1、M2、M3、M4芯片的产品。
以下教程在YOLOv8/11/12均适用，此处就以 YOLOv11 举例

目录

• 前提条件
• YOLOv8/11/12 转换为 CoreML
• 实时目标检测
• 结论

前提条件

在开始之前，确保您已经完成以下步骤：

1. 安装 Python 3.12，并创建一个 Conda 环境：

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

2. 安装所需的依赖项：

   pip install ultralytics coremltools pillow numpy opencv-python
   

3. 确保您已经有了 YOLOv11 模型（例如 yolo11n.pt）用于转换。

YOLOv8/11/12 转换为 CoreML

我们可以使用以下 Python 脚本将 YOLOv8/11/12 模型转换为 CoreML 格式。convertCoreml.py 脚本完成了这个任务：

from ultralytics import YOLO

# 加载 YOLOv11 模型
model = YOLO("yolo11n.pt")

# 将模型导出为 CoreML 格式
model.export(format="coreml")  # 创建 'yolo11n.mlpackage' 文件

这段代码加载 YOLOv11 模型（.pt 格式）并将其导出为 CoreML 格式（.mlpackage），可以在苹果设备上进行推理。

实时目标检测

CoreML 模型准备好后，我们可以使用摄像头视频流来进行实时目标检测。yolocoreml_demo.py 脚本通过在每一帧上进行推理来实现这一目标。

演示功能：

• 实时目标检测，直接从摄像头获取视频流。
• 根据置信度和交并比（IoU）过滤检测框，增加准确度。
• 为不同类别的目标框使用不同的颜色进行标注。

下面是 yolocoreml_demo.py 脚本的核心部分：

import cv2
import numpy as np
from ultralytics import YOLO
import argparse
from torchvision.ops import box_iou

# 解析命令行参数
def parse_args():
    parser = argparse.ArgumentParser(description="YOLO 目标检测")
    parser.add_argument('--model', type=str, default