Core ML — यह क्या है, मशीन लर्निंग मॉडल और iOS में कार्य

Core ML क्या है?

Core ML एक मशीन लर्निंग फ्रेमवर्क है जिसे Apple ने WWDC 2017 में iPhone, iPad, Mac, Apple Watch और Apple TV के लिए डेवलपमेंट इकोसिस्टम के हिस्से के रूप में पेश किया था। Core ML डिवाइस पर ML मॉडल निष्पादित करने के लिए रनटाइम प्रदान करता है, डेवलपर को हार्डवेयर ऑप्टिमाइज़ेशन के विवरणों से मुक्त करता है। फ्रेमवर्क प्रत्येक मॉडल ऑपरेशन के लिए सर्वश्रेष्ठ कम्प्यूट इंजन — A12+ चिप्स पर Neural Engine, GPU या CPU — स्वचालित रूप से चुनता है।

मुख्य लाभ Core ML का Apple Silicon के साथ गहरा एकीकरण है। न्यूरल नेटवर्क ऑपरेशन समर्पित Neural Engine पर चलते हैं, जो प्रोसेसर के मुख्य कोर को लोड नहीं करता। Apple (WWDC 2025) के अनुसार, Core ML मॉडल समान Android उपकरणों पर TensorFlow Lite की तुलना में 6 गुना तेज चलते हैं।

मुख्य विशेषताएँ

Core ML मशीन लर्निंग कार्यों की एक विस्तृत श्रृंखला का समर्थन करता है: छवि वर्गीकरण, वस्तु पहचान, सिमैंटिक सेगमेंटेशन, प्राकृतिक भाषा प्रसंस्करण, ध्वनि विश्लेषण और सारणीबद्ध डेटा। फ्रेमवर्क विभिन्न प्रकार के मॉडलों के साथ काम करता है: न्यूरल नेटवर्क (कन्वोल्यूशनल, रिकरंट, ट्रांसफॉर्मर), ट्री एन्सेम्बल, लीनियर रिग्रेशन और गॉसियन प्रक्रियाएँ।

Core ML कैसे काम करता है

Core ML इनपुट के रूप में .mlpackage प्रारूप में प्रशिक्षित मॉडल लेता है, इसे विशिष्ट डिवाइस के लिए अनुकूलित मशीन कोड में संकलित करता है और एकीकृत API के माध्यम से अनुमान चलाता है। पूरी पाइपलाइन — मॉडल लोड करने से लेकर परिणाम प्राप्त करने तक — Swift कोड की 3–5 पंक्तियों में होती है।

.mlpackage मॉडल प्रारूप

.mlpackage एक कंटेनर प्रारूप है जिसे Apple ने 2020 में पुराने .mlmodel को बदलने के लिए पेश किया था। पैकेज एक निर्देशिका है जिसमें JSON मैनिफेस्ट, बाइनरी MLProgram प्रारूप में मॉडल फ़ाइल, मेटाडेटा (लेखक, संस्करण, विवरण) और क्लास लेबल जैसे संसाधन शामिल हैं। Apple के अनुसार, .mlpackage वेट ऑप्टिमाइज़ेशन के माध्यम से .mlmodel की तुलना में मॉडल का आकार 30–50% कम करता है।

Apple Neural Engine

Apple Neural Engine (ANE) एक समर्पित न्यूरल प्रोसेसर है जो A12 Bionic (2018) से शुरू होकर Apple चिप्स में निर्मित है। ANE समान ऊर्जा खपत पर CPU की तुलना में दस गुना अधिक कुशलता से मैट्रिक्स ऑपरेशन संसाधित करता है। ANE का प्रदर्शन A12 पर 5 TOPS से बढ़कर M4 Ultra (2025) पर 35 TOPS हो गया है, जो अरबों पैरामीटर वाले मॉडल चलाने में सक्षम बनाता है। ANE का उपयोग न्यूरल नेटवर्क आर्किटेक्चर वाले सभी Core ML मॉडलों के लिए स्वचालित रूप से होता है।

Core ML की एक महत्वपूर्ण विशेषता सटीकता खोए बिना मॉडलों को FP16 और INT8 में क्वांटाइज़ेशन समर्थन है। क्वांटाइज़ेशन मॉडल का आकार 2–4 गुना कम करता है और ANE पर अनुमान को 40–60% तक तेज करता है। Apple स्वचालित इष्टतम सटीकता चयन के लिए Xcode Model Quantization टूल प्रदान करता है: डेवलपर एक मॉडल अपलोड करता है, स्वीकार्य गुणवत्ता हानि (आमतौर पर 0.1–0.5%) निर्दिष्ट करता है, और Xcode वेट प्रतिनिधित्व का सर्वश्रेष्ठ प्रारूप चुनता है।

Core ML प्रदर्शन तुलना

मॉडल को Core ML में बदलना

अधिकांश ML मॉडल PyTorch या TensorFlow में बनाए जाते हैं और Core ML में उपयोग के लिए .mlpackage प्रारूप में रूपांतरण की आवश्यकता होती है। Apple coremltools उपयोगिता प्रदान करता है — मॉडलों को बदलने, अनुकूलित करने और मान्य करने के लिए एक Python पैकेज।

coremltools टूल

coremltools ML मॉडलों को बदलने के लिए Apple की आधिकारिक उपयोगिता है। यह PyTorch (torch.onnx या सीधे), TensorFlow (SavedModel, H5, Frozen Graph) और ONNX से आयात का समर्थन करता है। रूपांतरण के बाद, FP16 या INT8 क्वांटाइज़ेशन सक्षम किया जा सकता है, जो महत्वपूर्ण सटीकता हानि के बिना मॉडल का आकार 2–4 गुना कम करता है।

PyTorch से रूपांतरण उदाहरण

आइए coremltools संस्करण 8.0 का उपयोग करके प्रशिक्षित PyTorch मॉडल को Core ML प्रारूप में बदलने पर विचार करें। प्रक्रिया Python में 2–3 चरण लेती है।

import torch
import coremltools as ct

# प्रशिक्षित PyTorch मॉडल लोड हो रहा है
model = torch.load('model.pth')
model.eval()

# नमूना इनपुट के साथ मॉडल ट्रेस हो रहा है
example_input = torch.randn(1, 3, 224, 224)
traced_model = torch.jit.trace(model, example_input)

# Core ML .mlpackage में बदला जा रहा है
mlmodel = ct.convert(
    traced_model,
    convert_to='mlprogram',
    inputs=[ct.TensorType(shape=(1, 3, 224, 224))]
)
mlmodel.save('Model.mlpackage')

कोड प्रशिक्षित PyTorch मॉडल को लोड करता है, नमूना इनपुट के साथ JIT ट्रेसिंग करता है, और इसे mlprogram प्रारूप (Core ML बाइनरी प्रारूप) में बदलता है। परिणामी .mlpackage को Xcode में खींचा जा सकता है और Swift कोड में तुरंत उपयोग किया जा सकता है।

iOS ऐप में Core ML का एकीकरण

मॉडल रूपांतरण के बाद, Swift में iOS ऐप में इसका एकीकरण कुछ पंक्तियों में होता है। Xcode स्वचालित रूप से .mlpackage मेटाडेटा के आधार पर मॉडल के लिए Swift क्लास उत्पन्न करता है।

Swift कोड उदाहरण

आइए Core ML और Vision फ्रेमवर्क का उपयोग करके छवि वर्गीकरण के उदाहरण पर विचार करें। Vision स्वचालित रूप से छवि को आवश्यक आकार और पिक्सेल प्रारूप में बदलता है।

import CoreML
import Vision

// Core ML मॉडल लोड हो रहा है
guard let model = try? VNCoreMLModel(
    for: MobileNetV2.configuration.model
) else { return }

// VNCoreMLRequest बनाया जा रहा है
let request = VNCoreMLRequest(model: model) { request, error in
    guard let results = request.results
        as? [VNClassificationObservation]
    else { return }

    // शीर्ष-3 भविष्यवाणियाँ आउटपुट करें
    for result in results.prefix(3) {
        print("\(result.identifier):
              \(result.confidence)")
    }
}

// छवि प्रसंस्करण शुरू हो रहा है
let handler = VNImageRequestHandler(
    url: imageURL
)
try? handler.perform([request])

Swift कोड Vision फ्रेमवर्क के माध्यम से MobileNetV2 मॉडल लोड करता है, वर्गीकरण अनुरोध बनाता है, और परिणाम संसाधित करता है — क्लास लेबल और विश्वास प्रतिशत के साथ VNClassificationObservation ऑब्जेक्ट्स की एक सरणी। लोडिंग से आउटपुट तक पूरी पाइपलाइन मॉडल के आधार पर 5–50 ms लेती है।

स्टार्टअप समय को अनुकूलित करने के लिए, Core ML पहले उपयोग पर मॉडल को संकलित करता है। प्रीकंपाइल्ड मॉडल कोल्ड स्टार्ट को 2–3 सेकंड से घटाकर 100–200 ms कर देता है। ऐप के पहले लॉन्च पर नहीं, बल्कि Xcode में बिल्ड समय पर मॉडल को संकलित करने की अनुशंसा की जाती है। यह विशेष रूप से कई ML मॉडल वाले ऐप्स के लिए महत्वपूर्ण है — उदाहरण के लिए, वस्तु पहचान + वर्गीकरण + NLP

Core ML बनाम ML Kit

Core ML और ML Kit समान ऑन-डिवाइस ML कार्यों को हल करते हैं लेकिन विभिन्न इकोसिस्टम के लिए लक्षित हैं। Core ML Apple Silicon के साथ गहराई से एकीकृत है और केवल Apple प्लेटफॉर्म का समर्थन करता है। Google का ML Kit Android और iOS के लिए एक क्रॉस-प्लेटफ़ॉर्म समाधान है।

Core ML चुनें यदि आपका इकोसिस्टम विशेष रूप से Apple है और आपको ANE के माध्यम से अधिकतम प्रदर्शन चाहिए। यदि क्रॉस-प्लेटफ़ॉर्म समर्थन या रूपांतरण के बिना तैयार API की आवश्यकता है, तो ML Kit अधिक व्यावहारिक होगा।

व्यवहार में, कई प्रोजेक्ट दोनों फ्रेमवर्क का उपयोग करते हैं: उच्च प्रदर्शन के लिए iOS Core ML, और Android पर ML Kit या TensorFlow Lite। एकीकृत PyTorch मॉडल Apple के लिए .mlpackage और Android के लिए .tflite में बदला जाता है, जो दोनों प्लेटफार्मों पर समान ML सुविधा गुणवत्ता बनाए रखने की अनुमति देता है। इस दृष्टिकोण में DevOps पर थोड़ा अधिक प्रयास लगता है लेकिन अधिकतम दर्शक कवरेज प्रदान करता है।