Create ML — was es ist, Code-freies Modelltraining und Integration

Was ist Create ML?

Create ML ist eine Komponente des Apple Machine-Learning-Ökosystems, die auf der WWDC 2018 als Tool zum Trainieren von Core ML-Modellen ohne Code vorgestellt wurde. Vor Create ML verwendeten Entwickler Python-Bibliotheken (TensorFlow, PyTorch, scikit-learn) und konvertierten die Modelle dann über coremltools in Core ML. Create ML abstrahierte diesen gesamten Prozess durch eine visuelle Oberfläche, integrierte neuronale Netze für Transfer Learning und automatischen Export in das Core ML-Format.

Entwicklung: von iOS 11 bis macOS 15

Die erste Version von Create ML (iOS 11/macOS 10.14) unterstützte nur grundlegende Aufgaben: Bildklassifizierung und Textanalyse. Die Version für macOS 10.15 fügte Objekterkennung, Audioanalyse und Regression hinzu. Create ML 3 (macOS 13, 2022) brachte Unterstützung für Empfehlungssysteme, tabellarische Daten mit automatischer Algorithmusauswahl und verbesserte Trainingsvisualisierung. Create ML 4 (macOS 14, 2024) fügte Unterstützung für dynamische Modelle, Streaming-Daten-Training und Integration mit Apples Cloud-Diensten für verteiltes Training hinzu.

Für wen ist Create ML geeignet

Create ML wurde für drei Benutzergruppen entwickelt: iOS-Entwickler ohne ML-Erfahrung, die intelligente Funktionen zu ihrer App hinzufügen möchten; Produktmanager und Designer, die schnell ML-Funktionen prototypisieren möchten; und Datenforscher, die eine schnelle Hypothesenvalidierung benötigen, bevor sie ein Modell in die Produktionsinfrastruktur überführen. Für komplexe Modelle mit nicht standardmäßiger Architektur ist Create ML nicht geeignet — in solchen Fällen werden Python-Frameworks mit anschließender Konvertierung in Core ML verwendet.

Aufgabentypen und Vorlagen von Create ML

Create ML bietet sieben Aufgabentypen, jeweils mit einer vorkonfigurierten Vorlage: Bildklassifizierung, Objekterkennung, Textklassifizierung und Wortmarkierung, Tabellenregression, Tabellenklassifizierung, Audioklassifizierung und Empfehlung. Jede Vorlage enthält eine vorab ausgewählte, für diesen Aufgabentyp optimierte neuronale Netzwerkarchitektur.

Bildklassifizierung in Create ML

Bildklassifizierung ist die beliebteste Create ML-Vorlage. Zum Trainieren eines Modells reicht es aus, einen Satz von Bildern bereitzustellen, die in Ordnern sortiert sind (Ordnername = Klassenbezeichnung). Create ML wendet automatisch Datenaugmentierung (Drehung, Skalierung, Farbverschiebung) an, um die effektive Datensatzgröße zu erhöhen, und verwendet das vortrainierte Vision FeaturePrint-Netzwerk (modifiziertes ResNet-50) zur Merkmalsextraktion. Das Transfer-Learning-Training dauert je nach Datensatzgröße und Mac-Leistung 2 bis 15 Minuten.

Objekterkennung

Die Objekterkennung-Vorlage erfordert annotierte Bilder mit Begrenzungsrahmen (Bounding Boxes) für jedes Objekt. Create ML verwendet die YOLOv5-Architektur (You Only Look Once), die für Core ML angepasst wurde, mit vortrainierten Gewichten auf dem COCO-Datensatz. Mindestanforderung — 30 annotierte Bilder pro Klasse, empfohlen — 200+. Create ML unterstützt den Import von Annotationen in den Formaten PASCAL VOC, COCO JSON und Create ML JSON.

Arbeiten mit Create ML in Xcode

Der Workflow in Create ML innerhalb von Xcode besteht aus drei Phasen: Datenvorbereitung, Training und Validierung sowie Export. Während der Datenvorbereitung werden Trainings- und Testsätze importiert. Create ML teilt die Daten automatisch auf (Standard 80/20) und zeigt die Klassenverteilung an. Während des Trainings zeigt das Tool Echtzeit-Genauigkeits- und Verlustdiagramme sowie Metriken: Genauigkeit, Präzision, Trefferquote, F1-Score. Während der Validierung kann das Modell direkt im Create ML-Fenster mit neuen Daten getestet werden.

import CreateML

let data = try MLImageClassifierData.labeledDirectories(
    at: URL(fileURLWithPath: "/path/to/training-data")
)
let model = try MLImageClassifier(
    trainingData: data,
    parameters: MLImageClassifier.Parameters(
        featureExtractor: .scenePrint(revision: 1)
    )
)
try model.write(
    to: URL(fileURLWithPath: "/path/to/MyModel.mlpackage")
)

Visuelle Xcode-Oberfläche

Die grafische Oberfläche von Create ML wird in Xcode im seitlichen Editor angezeigt, nachdem eine Vorlagendateikategorie ausgewählt wurde. Die Oberfläche enthält die Registerkarten: Data (Daten laden und anzeigen), Features (Merkmale und Parameter auswählen), Model (neuronale Netzwerkarchitektur), Training (Trainingsdiagramme und Metriken), Evaluation (Testen mit zurückgehaltenen Daten), Preview (interaktives Testen des Modells). Entwickler können während des Trainings zwischen den Registerkarten wechseln, ohne den Prozess zu stoppen.

Transfer Learning mit kleinen Datensätzen

Transfer Learning ist die Schlüsseltechnologie, auf der die Create ML-Vorlagen basieren. Anstatt ein neuronales Netz von Grund auf zu trainieren (was Millionen von beschrifteten Beispielen erfordert), verwendet Create ML ein vortrainiertes Netz (FeaturePrint) als Merkmalsextraktor und trainiert nur die letzten Klassifikatorschichten. Dies ermöglicht eine hohe Genauigkeit (90-95%) bei Datensätzen von 10 bis 50 Bildern pro Klasse bei einer Trainingszeit von 2 bis 5 Minuten.

FeaturePrint — Vortrainierte Extraktoren

Create ML verwendet mehrere vortrainierte FeaturePrint-Extraktoren: .scenePrint (basiert auf ResNet-50, trainiert auf Places365), .objectPrint (basiert auf YOLOv5, trainiert auf COCO), .textPrint (basiert auf BERT, trainiert auf Wikipedia). Die Wahl des Extraktors hängt vom Aufgabentyp und der Datendomäne ab. Beispielsweise eignet sich .scenePrint besser für die Klassifizierung von Innen- und Landschaftsbildern, während .objectPrint besser für die Erkennung spezifischer Objekte (Autos, Personen, Tiere) geeignet ist.

Datenaugmentierung

Create ML wendet während des Trainings automatisch Datenaugmentierung an: horizontales Spiegeln, Drehung um bis zu 20 Grad, Farbverschiebung, Helligkeits- und Kontrastanpassung. Die Augmentierung wird zufällig auf jedes Bild in jeder Epoche angewendet, wodurch sich die effektive Datensatzgröße um das 10- bis 20-fache erhöht. Dies ist besonders wichtig für kleine Datensätze, bei denen Überanpassung (Overfitting) das Hauptproblem darstellt. Die Augmentierungsparameter können auf der Registerkarte Features angepasst werden.

Programmatisches Training über Swift API

Zusätzlich zur visuellen Oberfläche bietet Create ML eine Swift API für programmatisches Modelltraining, das die Automatisierung von Trainingspipelines und die Integration in CI/CD-Prozesse ermöglicht. Die Swift API umfasst die Klassen MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier und MLRecommender. Jede Klasse implementiert das Protokoll MLModelTrainer mit den Methoden train(), evaluate() und write().

import CreateML

let csvFile = try MLDataTable(
    contentsOf: URL(fileURLWithPath: "data.csv")
)
let (trainingData, testData) = csvFile.randomSplit(by: 0.8)

let regressor = try MLTabularRegressor(
    trainingData: trainingData,
    targetColumn: "price",
    parameters: MLTabularRegressor.Parameters(
        algorithm: .randomForest
    )
)

let evaluation = regressor.evaluation(on: testData)
print("RMSE: \(evaluation.rootMeanSquaredError)")

CI/CD-Integration

Die Create ML Swift API kann in Xcode-Build-Phasen-Skripten oder in GitLab/GitHub Actions auf macOS-Runnern ausgeführt werden. Dies ermöglicht ein automatisches Neulernen des Modells, sobald der Trainingsdatensatz im Repository aktualisiert wird. Beispielsweise kann eine Pipeline eingerichtet werden: Daten-Push ins Repository → GitLab Runner führt Create ML Swift-Skript aus → exportiertes .mlpackage-Modell wird zurück ins Repository committed → App wird mit aktualisiertem Modell erstellt.

Einschränkungen von Create ML

Trotz seiner Benutzerfreundlichkeit hat Create ML mehrere wichtige Einschränkungen, die bei der Auswahl eines Tools für ML-Aufgaben zu beachten sind. Die wichtigsten: funktioniert nur unter macOS, eingeschränkte Kontrolle über die neuronale Netzwerkarchitektur, keine benutzerdefinierten Schichten, Abhängigkeit von integrierten FeaturePrint-Extraktoren und keine Unterstützung für Multi-GPU- oder Cluster-Training.

Keine Unterstützung für Produktionspipelines

Create ML ist nicht für das Produktionstraining mit großen Datensätzen (über 100.000 Beispiele) ausgelegt. Die maximale Datensatzgröße ist durch den Arbeitsspeicher des Macs begrenzt. Für groß angelegte Aufgaben empfiehlt Apple die Verwendung von Python-Frameworks (TensorFlow, PyTorch) auf Serverinfrastruktur mit anschließender Konvertierung in Core ML über coremltools. Create ML ist ein Tool für Prototyping und kleine Projekte, nicht für Enterprise ML.

Begrenzte Algorithmen für tabellarische Daten

Für tabellarische Daten unterstützt Create ML nur drei Algorithmen: Random Forest, Gradient Boosting (XGBoost) und Lineare Regression. Es gibt keine Unterstützung für neuronale Netze für tabellarische Daten (TabNet, FT-Transformer), SVM, kNN oder Ensemble-Methoden, die in scikit-learn verfügbar sind. Bei Aufgaben mit tabellarischen Daten, die eine hohe Genauigkeit erfordern, bleibt Create ML oft hinter klassischen ML-Bibliotheken zurück.

Nur macOS

Das Training von Modellen ist nur unter macOS möglich, da Create ML Metal Performance Shaders und macOS-exklusive Frameworks verwendet. Diese Einschränkung macht das Training auf Linux-Servern oder Cloud-GPU-Clustern unmöglich. Für Teams, die Cloud-Infrastruktur nutzen, bleiben coremltools + Python die einzige Option.

Beispiele für die Verwendung von Create ML in Projekten

Betrachten wir drei reale Szenarien für den Einsatz von Create ML in kommerziellen Anwendungen: Benutzerinhaltsmoderation, personalisierte Empfehlungen und automatische Dokumentensortierung. Diese Szenarien zeigen typische Aufgaben, die mit Create ML ohne tiefgehende Machine-Learning-Kenntnisse gelöst werden können.

Bildmoderation

Eine Foto-Sharing-App kann Bildklassifizierung für die automatische Moderation nutzen: Das Trainieren eines Modells mit 100-200 Bildern, die als „akzeptabel“ und „Verstoß“ gekennzeichnet sind, kann 85-95% unerwünschter Inhalte ohne Moderator herausfiltern. Create ML ermöglicht das Aktualisieren des Modells, sobald neue Beispiele für Verstöße eingehen, und trainiert es in 3-5 Minuten neu.

Support-Ticket-Klassifizierung

Mit Textklassifizierung kann Create ML einer App beibringen, Benutzeranfragen automatisch in Kategorien zu klassifizieren: Zahlungsproblem, technischer Fehler, Funktionsanfrage, Beschwerde. Für das Training sind 50-100 Textbeispiele pro Kategorie erforderlich. Die Klassifizierungsgenauigkeit erreicht 90% mit dem integrierten BERT-basierten Wort-Tagger.

Content-Empfehlungssystem

MLRecommender in Create ML ermöglicht den Aufbau eines Empfehlungssystems basierend auf Benutzeraktionen, ohne manuell kollaboratives Filtern schreiben zu müssen. Das Modell trainiert auf Benutzer → Element → Bewertungsdaten (z. B. ein Benutzer hat einen Artikel geliked). Create ML wählt automatisch zwischen kollaborativem Filtern und inhaltsbasiertem Ansatz basierend auf der Datenmenge und gibt die Top-N-Empfehlungen aus.