Core ML — 機械学習モデルとiOSでの動作の解説

Core MLとは？

Core MLは、AppleがWWDC 2017でiPhone、iPad、Mac、Apple Watch、Apple TV向けの開発エコシステムの一部として発表した機械学習フレームワークです。Core MLはデバイス上でMLモデルを実行するためのランタイムを提供し、開発者をハードウェア最適化の詳細から解放します。フレームワークは各モデル操作に最適な計算エンジン（A12+チップのNeural Engine、GPU、CPU）を自動的に選択します。

Core MLの主な利点はApple Siliconとの深い統合です。ニューラルネットワークの処理は専用のNeural Engineで実行され、プロセッサのメインコアに負荷をかけません。Apple（WWDC 2025）によると、Core MLモデルは同等のAndroidデバイス上のTensorFlow Liteと比較して6倍高速に動作します。

主な機能

Core MLは、画像分類、物体検出、セマンティックセグメンテーション、自然言語処理、音声分析、表形式データなど、幅広い機械学習タスクをサポートしています。フレームワークは様々なタイプのモデル（畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスフォーマー、ツリーアンサンブル、線形回帰、ガウス過程）に対応しています。

Core MLの仕組み

Core MLは、.mlpackage形式の学習済みモデルを入力として受け取り、特定のデバイス向けに最適化されたマシンコードにコンパイルし、統一されたAPIを通じて推論を実行します。モデルのロードから結果の取得までのパイプライン全体は、Swiftコード3–5行で完了します。

.mlpackageモデル形式

.mlpackageは、Appleが2020年に旧来の.mlmodelを置き換えるために導入したコンテナ形式です。パッケージはJSONマニフェスト、バイナリMLProgram形式のモデルファイル、メタデータ（作成者、バージョン、説明）、クラスラベルなどのリソースを含むディレクトリです。Appleによると、.mlpackageは重みの最適化により.mlmodelと比較してモデルサイズを30–50%削減します。

Apple Neural Engine

Apple Neural Engine（ANE）は、A12 Bionic（2018）以降のAppleチップに組み込まれた専用ニューラルプロセッサです。ANEは同じ消費電力でCPUよりも数十倍効率的に行列演算を処理します。ANEのパフォーマンスはA12の5 TOPSからM4 Ultra（2025）の35 TOPSに向上し、数十億のパラメータを持つモデルの実行を可能にしています。ANEはニューラルネットワークアーキテクチャを持つすべてのCore MLモデルで自動的に使用されます。

Core MLの重要な機能は、精度を損なうことなくモデルをFP16およびINT8に量子化できることです。量子化によりモデルサイズが2–4倍削減され、ANEでの推論が40–60%高速化されます。Appleは最適な精度を自動選択するXcode Model Quantizationツールを提供しています。開発者がモデルをアップロードし、許容可能な品質低下（通常0.1–0.5%）を指定すると、Xcodeが最適な重み表現形式を選択します。

Core MLパフォーマンス比較

モデルをCore MLに変換する

ほとんどのMLモデルはPyTorchまたはTensorFlowで作成され、Core MLで使用するには.mlpackage形式への変換が必要です。Appleはモデルの変換、最適化、検証のためのPythonパッケージcoremltoolsを提供しています。

coremltoolsツール

coremltoolsはMLモデル変換のためのApple公式ユーティリティです。PyTorch（torch.onnx経由または直接）、TensorFlow（SavedModel、H5、Frozen Graph）、ONNXからのインポートをサポートしています。変換後、FP16またはINT8量子化を有効にでき、精度を大きく損なうことなくモデルサイズを2–4倍削減できます。

PyTorchからの変換例

coremltoolsバージョン8.0を使用して、学習済みのPyTorchモデルをCore ML形式に変換する手順を見てみましょう。このプロセスはPythonで2–3ステップで完了します。

import torch
import coremltools as ct

# 学習済みPyTorchモデルを読み込んでいます
model = torch.load('model.pth')
model.eval()

# サンプル入力でモデルをトレースしています
example_input = torch.randn(1, 3, 224, 224)
traced_model = torch.jit.trace(model, example_input)

# Core ML .mlpackageに変換しています
mlmodel = ct.convert(
    traced_model,
    convert_to='mlprogram',
    inputs=[ct.TensorType(shape=(1, 3, 224, 224))]
)
mlmodel.save('Model.mlpackage')

コードは学習済みのPyTorchモデルを読み込み、サンプル入力でJITトレーシングを実行し、mlprogram形式（Core MLバイナリ形式）に変換します。生成された.mlpackageはXcodeにドラッグして、すぐにSwiftコードで使用できます。

iOSアプリへのCore MLの統合

モデル変換後、SwiftでのiOSアプリへの統合は数行で完了します。Xcodeは.mlpackageのメタデータに基づいてモデルのSwiftクラスを自動生成します。

Swiftコード例

Core MLとVisionフレームワークを使用した画像分類の例を見てみましょう。Visionは自動的に画像を必要なサイズとピクセル形式に変換します。

import CoreML
import Vision

// Core MLモデルを読み込んでいます
guard let model = try? VNCoreMLModel(
    for: MobileNetV2.configuration.model
) else { return }

// VNCoreMLRequestを作成しています
let request = VNCoreMLRequest(model: model) { request, error in
    guard let results = request.results
        as? [VNClassificationObservation]
    else { return }

    // トップ3の予測を出力
    for result in results.prefix(3) {
        print("\(result.identifier):
              \(result.confidence)")
    }
}

// 画像処理を開始しています
let handler = VNImageRequestHandler(
    url: imageURL
)
try? handler.perform([request])

SwiftコードはVisionフレームワークを通じてMobileNetV2モデルをロードし、分類リクエストを作成し、結果（クラスラベルと信頼度パーセンテージを含むVNClassificationObservationオブジェクトの配列）を処理します。ロードから結果出力までのパイプライン全体は、モデルに応じて5–50ミリ秒かかります。

起動時間を最適化するために、Core MLは初回使用時にモデルをコンパイルします。プリコンパイル済みモデルはコールドスタートを2–3秒から100–200ミリ秒に短縮します。アプリの初回起動時ではなく、Xcodeのビルド時にモデルをコンパイルすることを推奨します。これは複数のMLモデル（例：物体検出＋分類＋NLP）を持つアプリで特に重要です。

Core ML vs ML Kit

Core MLとML Kitは同様のオンデバイスMLタスクを解決しますが、対象とするエコシステムが異なります。Core MLはApple Siliconと深く統合されており、Appleプラットフォームのみをサポートします。GoogleのML KitはAndroidとiOS向けのクロスプラットフォームソリューションです。

エコシステムがAppleのみで、ANEを通じて最大のパフォーマンスが必要な場合はCore MLを選びましょう。クロスプラットフォーム対応や変換不要の既製APIが必要な場合は、ML Kitの方が実用的です。

実際には、多くのプロジェクトが両方のフレームワークを使用しています。高いパフォーマンスのためにiOS Core MLを、AndroidではML KitやTensorFlow Liteを使用します。統一されたPyTorchモデルはApple向けに.mlpackage、Android向けに.tfliteに変換され、両方のプラットフォームで一貫したML機能品質を維持できます。このアプローチにはDevOpsの労力がやや多くかかりますが、最大のユーザーカバレッジを提供します。