- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能LeadAI
iOS 图片风格转换（CoreML）
随着iOS11苹果推出了CoreML，我们可以很轻松将训练好的这些风格转换模型转换成为苹果的CoreML Model，并使用这个模型来进行图片风格转换。 ? CoreML介绍 CoreML 是 Apple 今年 WWDC 新推出面向开发者的机器学习框架。 代码实现 CoreML对图片的处理都需要将图片转换成为CVPixelBufferRef数据，这里提供一段UIImage转CVPixelBufferRef的代码。 ? Apple Core ML documentation (https://developer.apple.com/documentation/coreml) [6].
2.3K80发布于 2018-03-08 - 来自专栏一棹烟波
coreml之通过URL加载模型
具体可以查阅apple开发者官方文档 https://developer.apple.com/documentation/coreml/mlmodel： ? 并根据路径对模型进行编译（编译出的为.mlmodelc 文件， 这是一个临时文件，如果需要，可以将其保存到一个固定位置：https://developer.apple.com/documentation/coreml MLModel modelWithContentsOfURL:compile_url configuration:model_config error:&error]; 4.需要注意的是采用动态编译方式，coreml 这个是头文件： #import <Foundation/Foundation.h> #import <CoreML/CoreML.h> NS_ASSUME_NONNULL_BEGIN /// Model
1.8K20发布于 2019-07-02 - 来自专栏iOSDevLog
Xamarin.iOS中的CoreML简介
该介绍包括以下内容： CoreML入门 将CoreML与Vision框架结合使用 CoreML入门 这些步骤描述了如何将CoreML添加到iOS项目中。 Mars Habitat Price Predictor示例截图 1.将CoreML模型添加到项目中 将CoreML模型（扩展名为.mlmodel的文件）添加到项目的Resources目录中。 5号图像识别 1.创建Vision CoreML模型 加载CoreML模型MNISTClassifier，然后将VNCoreMLModel 其包装在一起，使模型可用于Vision任务。 所述影像与CoreML样品接受一个图像参数，并使用视觉框架的图像，其被传递到识别单位的CoreML模型中，以确定正方形区域。 最后，CoreML图像识别示例使用CoreML来识别照片中的要素。 原文: https://docs.microsoft.com/en-us/xamarin/ios/platform/introduction-to-ios11/coreml#coreml
3.6K10发布于 2018-08-10 - 来自专栏相约机器人
使用CoreML和ARKit进行人脸检测和识别
sceneView.session.run(configuration, options: [.resetTracking, .removeExistingAnchors]) } 训练人脸识别模型 有多种方法可以创建与CoreML
3K20发布于 2019-08-05 - 来自专栏一“技”之长
iOS MachineLearning 系列（20）—— 训练生成CoreML模型
iOS MachineLearning 系列（20）—— 训练生成CoreML模型 本系列前面的文章详细的介绍了在iOS中与AI能力相关的API的使用，也介绍了如何使用训练好的CoreML模型来实现更强大的 当我们拥有很多的课训练数据，且需要定制化的AI能力时，其实就可以自己训练生成CoreML模型，将此定制化的模型应用到工程中去。 会自动使用测试数据进行测试，本示例的测试结果如下图所示： 如果测试的结果能够让我们满意，则可以将此模型导出，如下所示： 可以看到，此模型的大小只有17k，通过Create ML，训练出一个生产可用的CoreML YHImageClassifier模型的使用和前面文章介绍的官方模型的使用没有区别，我们可以再选两张鸣人和佐助的图片（不在训练集中也不在测试集中的），Demo代码如下： import UIKit import CoreML
1.3K60编辑于 2023-05-29 - 来自专栏ATYUN订阅号
【深度学习】图片风格转换应用程序：使用CoreML创建Prisma
在这篇文章中，我将向你展示如何使用只有开源模型和CoreML的方式实现一个小型的风格转换应用程序。 最近，我们在GitHub上共享了一个工具，这个工具将Torch7模型转换为CoreML。 步骤3:实现CoreML的转换器 在这一步骤中，我们将使用torch2coreml python程序包。 还需要安装最新版本的torch2coreml python程序包，用于python 2.7(coremltools库只支持python版本作为撰写时间): [sudo] pip install-U torch2coreml 结论 我们使用torch2coreml软件包将原始Justin Johnson的快速神经风格（fast-neural-style）模型转换为CoreML。 你可以将torch2coreml包用于风格转换和其他模型。
2.1K80发布于 2018-03-05 - 来自专栏姜媚的专栏
CoreML尝鲜：将自己训练的 caffe 模型移植到 IOS 上
导语 : 自从苹果6月5日在WWDC 2017上show出自己在计算机视觉和AI领域又一重磅新科技——CoreML后，我们真是喜忧参半，喜的是Core ML等SDK技术的出现加速了深度学习在移动端的落地 为了找出对手的优缺点，研究对手的技术核心，在WWDC召开近20多天后，终于有时间静下心来研究一下苹果这个机器学习SDK——CoreML。 CoreML的官网主页如下：https://developer.apple.com/machine-learning/ 主页上对CoreML的核心定位是：CoreML能够方便地将机器学习模型移植到移动端 APP中，即下图所示： CoreML有其自定义的模型类型.mlmodel，并且支持目前几种主流模型到mlmodel的转换，包括Caffe、Keras 1.2.2+、scikit-learn等。 一、软件准备 由于CoreML目前仅支持iOS11和Xcode9，因此需要先对移动设备升级到iOS11，并且下载Xcode9 beta版本。
4K10发布于 2017-10-16 - 来自专栏一“技”之长
iOS MachineLearning 系列（21）——CoreML模型的更多训练模板
iOS MachineLearning 系列（21）——CoreML模型的更多训练模板 前面文章中，有介绍如何训练生成定制化需求的 CoreML 模型，以图像分类为例做了演示，文章地址： https:
67130编辑于 2023-07-27 - 来自专栏国内互联网大数据
探索CoreML框架：将机器学习应用于移动端数据分析
苹果公司为iOS开发者提供了一个强大的机器学习框架，即CoreML框架。 1.CoreML框架简介 CoreML框架是苹果公司为iOS开发者提供的一款强大的机器学习框架。它的目的是让开发者能够轻松地在移动设备上运行各种机器学习模型，从而实现智能化的应用体验。 CoreML框架支持多种类型的机器学习模型，并提供了一套工具，帮助开发者构建和训练这些模型。 要使用CoreML框架构建和训练机器学习模型，首先需要准备训练数据。 要将训练好的机器学习模型集成到移动应用中，首先需要将模型转换为CoreML格式。然后，可以使用CoreML框架提供的API调用模型进行预测和分析。 CoreML框架提供了强大的功能和灵活的应用方式，为开发者们带来了巨大的便利。希望本文能够帮助读者更好地理解和应用CoreML框架，并在移动端数据分析领域取得更好的成果。
1.7K20编辑于 2023-09-05 - 来自专栏大数据文摘
AI大事件 | WaveNet推出了谷歌助手，苹果发布CoreML转换器
苹果发布CoreML转换器 来源：GITHUB.COM 链接：https://github.com/apple/coremltools CoreML社区中的工具包括对于CoreML模型的所有支持工具和许可
62630发布于 2018-05-24 - 来自专栏新智元
合并Siri、CoreML，挖来前谷歌AI总管掌舵
【新智元导读】早在今年四月就传出的苹果“偷走”谷歌人工智能总管的消息，今天终于落实了。苹果公司于今天上午发表声明，将合并机器学习与Siri团队，由前谷歌AI元老John Giannandrea统领。
42100发布于 2018-07-31 - 来自专栏一棹烟波
手撕coreML之yolov2 object detection物体检测（含源代码）
其实coreML的demo，github上有很多，但是大部分都是用swift写的，而对于从C/C++语言过来的同学来说，Objective-C或许会更容易看懂一些。 当然，为了偷懒起见，模型并不是我训练的，模型来自这里：https://github.com/syshen/YOLO-CoreML 。该仓库使用swift实现的，有兴趣的可以对比着看。 was automatically generated and should not be edited. // #import <Foundation/Foundation.h> #import <CoreML /CoreML.h> #include <stdint.h> NS_ASSUME_NONNULL_BEGIN /// Model Prediction Input Type API_AVAILABLE 调用coreML自动生成的类预测接口就在这里了。 然后，将预测得到的结果进行解析，根据yolov2模型的输出feature结构来解析出上面DetectionInfo里面的信息。
1.6K20发布于 2019-05-25 - 来自专栏量子位
苹果新推出的CoreML怎么用？有哪些bug？这里有一份教程
给你链接： https://developer.apple.com/documentation/coreml/integrating_a_core_ml_model_into_your_app 接下来该建立和处理请求了
2K70发布于 2018-03-29 - 来自专栏ATYUN订阅号
iOS11真机运行CoreML图像识别demo（Object C 版）
前几天做了一版CoreML在模拟器上进行识别图片的demo，是使用官方推荐的swift语言编写的，今天抽空把CoreML在Object C上再基于上一版完善一些功能，实现拍照识别，相册识别。 开发环境集成和机器学习框架下载等准备工作，在上一篇文章内有详细说明，传送门：http://www.atyun.com/1083_十分钟使用苹果机器学习框架coreml进行图片识别（swift版.html 今天要做的是一个在真机上运行的demo，而CoreML的运行环境要求是iOS 11，所以，我们要有一台能安装iOS 11的设备，推荐iPhone6s以上机型。 VNClassificationObservation对象有两个参数 1.confidence 识别率,值越高应该是越接近的 2.identifier 识别结果 最后来看看CoreML识别结果：
2.4K80发布于 2018-03-02 - 来自专栏iOSDevLog
人工智能的 "hello world"：在 iOS 实现 MNIST 数学识别MNIST: http://yann.lecun.com/exdb/mnist/ 目标步骤
opencv-python (coreml) $ pip install tensorflow (coreml) $ pip install keras (coreml) $ pip install unittest2 (coreml) $ pip install h5py==2.8.0rc1 (coreml) $ pip install coremltools 设计 & 培训网络: 对于代码的这一部分 model.save('mnistCNN.h5') Keras 到 CoreML: 要将您的模型从 Keras 转换为 CoreML， 我们需要执行更多的其他步骤。 = 'iOSDevLog' coreml_model.license = 'MIT' coreml_model.short_description = 'Model to classify hand 您已经设计了您的第一个 CoreML 模型。使用此信息， 您可以使用 Keras 设计任何自定义模型， 并将其转换为 CoreML 模型。
2.2K80发布于 2018-05-17 - 来自专栏为了不折腾而去折腾的那些事
在搭载 M1 及 M2 芯片 MacBook设备上玩 Stable Diffusion 模型
INFO:python_coreml_stable_diffusion.coreml_model:Loading unet mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading vae_decoder mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading safety_checker mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading unet mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading vae_decoder mlpackage INFO:python_coreml_stable_diffusion.coreml_model
4.1K31编辑于 2023-03-05 - 来自专栏为了不折腾而去折腾的那些事
在搭载 M1 及 M2 芯片 MacBook 设备上玩 Stable Diffusion 模型
INFO:python_coreml_stable_diffusion.coreml_model:Loading unet mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading vae_decoder mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading safety_checker mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading unet mlpackage INFO:python_coreml_stable_diffusion.coreml_model INFO:python_coreml_stable_diffusion.coreml_model:Loading vae_decoder mlpackage INFO:python_coreml_stable_diffusion.coreml_model
4.2K00编辑于 2022-12-10 - 来自专栏AI科技大本营的专栏
实战 | 手把手教你用苹果CoreML实现iPhone的目标识别
接下来，打开Xcode中的TinyYOLO-CoreML项目。 第一步是创建描述YOLO神经网络的.mlmodel文件。 你会看到终端提示(coreml)，这会告诉你你目前所处的环境。 现在可以运行coreml.py转换脚本（请参阅在repo中转换文件夹）。 这会读取tiny-yolo-voc.h5 Keras模型，在TinyYOLO-CoreML项目的文件夹中，生成TinyYOLO.mlmodel。 原文地址 http://machinethink.net/blog/yolo-coreml-versus-mps-graph/
5.6K80发布于 2018-04-26 - 来自专栏一“技”之长
iOS MachineLearning 系列（22）——将其他三方模型转换成CoreML模型
iOS MachineLearning 系列（22）——将其他三方模型转换成CoreML模型 本篇文章将是本系列文章的最后一篇。 其实CoreML框架只是Machine Learning领域内的一个框架而已，市面上还有许多流行的用来训练模型的框架。如TensorFlow，PyTorch，LibSVM等。 在iOS平台中直接使用这些框架训练完成的模型是比较困难的，但是Core ML Tools提供了一些工具可以方便的将这些模型转换成CoreML模型进行使用，大大降低了模型的训练成本。 将三方模型转换为CoreML格式。 设置CoreML模型的元数据。 进行测试验证。 存储模型，之后在Xcode中进行使用即可。 其中最核心的是模型的转换和元数据的写入。 以TensorFlow的MobileNetV2模型为例，我们下面尝试将其转换成CoreML模型。
1.3K30编辑于 2023-07-27 - 来自专栏ATYUN订阅号
【实践操作】在iPhone上创建你的第一个机器学习模型
为了更好地理解CoreML的作用，我们必须了解一些它的相关背景。 CoreML的背景 这并不是苹果第一次推出机器学习框架。 进入CoreML ? CoreML为前两个库提供了另一个抽象化的层，并提供了一个简单的接口，以达到同样的效率水平。 CoreML提供了什么？ 开始： 将机器学习模型转换成CoreML格式 CoreML的优势之一是支持在其他流行的框架中建立训练机器学习模型的转换，比如sklearn,caffe,xgboost等。 本文的所有代码:https://github.com/mohdsanadzakirizvi/CoreML-on-iPhone 另外，如果你想更深入地探索CoreML，这些是一些资源: CoreML文档（
2.5K60发布于 2018-03-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号