Core ML: çerçeve mimarisi ve model entegrasyonu

Core ML Nedir?

Core ML, WWDC 2017’de tanıtılan Apple makine öğrenimi ekosisteminin temel bir bileşenidir. Core ML’den önce iOS geliştiricileri, cihaz üzerinde ML modellerini çalıştırmak için üçüncü taraf kütüphaneleri (TensorFlow Mobile, Caffe2) veya özel çözümleri kullanıyordu. Core ML, klasik regresyonlardan derin sinir ağlarına kadar tüm model türleri için tek bir birleşik arayüz sağladı ve belirli cihaz için düşük seviyeli optimizasyonu üstlendi.

Gelişim Geçmişi

Core ML’nin ilk sürümü (2017) yalnızca sabit giriş boyutlarına sahip statik modelleri destekliyordu. Core ML 2 (2018), toplu tahmin ve anlık model güncellemeleri desteği ekledi. Core ML 3 (2019), cihaz üzerinde eğitim ve düzinelerce yeni sinir ağı katmanı desteği getirdi. Core ML 4 (2021), çok çıkışlı modeller ve gelişmiş görüntü işleme desteği ekledi. Core ML 5 (2024), dinamik sinir ağları ve yeni ML katmanları kullanarak cihaz üzerinde denetimli öğrenme desteği ekledi.

Cihaz Üzerinde ML: Avantajlar

Makine öğrenimini cihaz üzerinde çalıştırmanın üç temel avantajı vardır: gizlilik — veriler cihazdan asla ayrılmaz (GDPR ve HIPAA gereksinimlerini karşılar), hız — çıkarım ağ gecikmesi olmadan milisaniyeler içinde tamamlanır, çevrimdışı kullanılabilirlik — model internet bağlantısı olmadan çalışır. Apple Gizlilik Raporu’na (2025) göre, Apple platformlarındaki ML çıkarımlarının %90’ından fazlası Core ML sayesinde cihaz üzerinde gerçekleştirilir.

Core ML Mimarisi ve Bilgi İşlem Arka Uçları

Core ML mimarisi çok katmanlı bir prensip üzerine kurulmuştur: en üst seviyede — geliştirici API’si (MLModel, MLFeatureProvider, MLPredictionOptions), orta seviyede — .mlpackage formatında model, alt seviyede — bilgi işlem arka uçları: Apple Neural Engine (ANE), GPU (Metal Shaders) ve CPU (BNNS, Accelerate framework). Core ML, modele ve cihaz donanımına bağlı olarak en iyi arka ucu otomatik olarak seçer.

Apple Neural Engine

Neural Engine (ANE), Apple A12+ ve M1+ çiplerine yerleşik özel bir nöral işlemcidir. ANE, A17 Pro’da 15.8 TOPS ve M4’te 38 TOPS’a varan performansla evrişimli sinir ağı (CNN) işlemleri ve matris çarpanları için optimize edilmiştir. Core ML, modelin ANE’de çalışıp çalışamayacağını otomatik olarak belirler ve çalışabiliyorsa oraya yükler. Model, ANE tarafından desteklenmeyen işlemler içeriyorsa Core ML, hesaplamayı GPU ve CPU arasında dağıtır.

Metal Performance Shaders

GPU hesaplamaları için Core ML, Metal Performance Shaders Graph’ı (MPSGraph) kullanır. MPSGraph, GPU üzerinde hesaplama grafikleri oluşturmak ve yürütmek için bir çerçevedir. MPSGraph, Core ML’den sinir ağı grafiğini alır ve belirli GPU mimarisi (7 çekirdekli A17 GPU veya 40 çekirdekli M4 Ultra GPU) için optimize edilmiş Metal Shaders’a derler. MPSGraph’ın otomatik optimizasyonları arasında katman birleştirme, gereksiz işlemleri kaldırma ve optimum veri formatı seçimi bulunur.

Desteklenen Model Türleri ve Formatları

Core ML, üç kategoriye ayrılan tüm ana makine öğrenimi model türlerini destekler: sinir ağları (evrişimli CNN, yinelenen RNN/LSTM, dönüştürücüler), topluluk modelleri (Rastgele Orman, Gradient Boosting, XGBoost, Karar Ağaçları) ve regresyon modelleri (doğrusal regresyon, SVM, CRF). Her model türünün kendi MLModelType alt protokolü vardır ve Core ML uygun arka ucu ve yürütme formatını otomatik olarak seçer.

Desteklenen Sinir Ağı Katmanları

Core ML, 150’den fazla sinir ağı katmanı türünü destekler: Convolution (1D/2D/3D), BatchNormalization, Pooling (Max/Average), Activation (ReLU, Sigmoid, Tanh, LeakyReLU, PReLU), Recurrent (LSTM/GRU/SimpleRNN), Transformers (MultiHeadAttention, LayerNorm), Metal’e özgü katmanlar. Desteklenmeyen katmanlar için Core ML, özel katman mekanizması sağlar — Metal Shading Language veya Swift’te katman uygulaması yazma yeteneği.

let model = try MLModel(contentsOf: modelURL)
let input = try MLMultiArray(shape: [1, 224, 224, 3], dataType: .float32)
let prediction = try model.prediction(from: input)

Model Dosya Formatları

2021’den önce Core ML, .mlmodel formatını kullanıyordu — tüm model ağırlıklarını ve meta verilerini içeren ikili bir dosya. Xcode 13 ve Core ML 4’ten başlayarak Apple, yeni .mlpackage formatını tanıttı — modeli, meta verileri, giriş/çıkış açıklamalarını ve JSON formatında ön/son işleme dosyalarını içeren dizin tabanlı bir paket yapısı. mlpackage, git sürümlemeyi destekleyerek ekip geliştirmeyi basitleştirir. .mlmodel’den .mlpackage’ye dönüştürme, Xcode Model Compiler yardımcı programı veya coremltools Python betiği ile yapılır.

Modelleri Core ML’ye Dönüştürme

Dönüştürme, Python’daki coremltools kütüphanesi kullanılarak gerçekleştirilir. coremltools, TensorFlow 1.x/2.x (SavedModel, PB, HDF5), PyTorch (TorchScript, izlenmiş/betiklenmiş modeller), Keras (H5), ONNX ve Create ML ile oluşturulan modellerin içe aktarımını destekler. Standart dönüştürme hattı üç adımdan oluşur: modeli orijinal formatında yükleme, MIL’e (Model Intermediate Language) — Core ML’nin iç gösterimi — dönüştürme ve .mlpackage’ye dışa aktarma.

import coremltools as ct

model = ct.converters.pytorch.convert(
    source = "model.pt",
    inputs = [ct.TensorType(shape=(1, 3, 224, 224))]
)
model.author = "IT Sectr"
model.short_description = "Image classifier"
model.save("MyModel.mlpackage")

Dönüştürme Sonrası Model Doğrulaması

Dönüştürmeden sonra, orijinal model ile dönüştürülmüş Core ML modelinin aynı veriler üzerindeki tahminlerini karşılaştırarak model doğruluğunu doğrulamanız gerekir. Kabul edilebilir sapma Float32 için 1e-3 (%0,1) ve Float16/Int8 için 1e-2 (%1) değerinden fazla değildir. coremltools, otomatik karşılaştırma için ct.utils.compare_models() yardımcı programını sağlar. Sapma normu aşarsa, desteklenmeyen işlemlerle ilgili bir sorun olabilir — bunların özel katmanlarla değiştirilmesi veya modelin basitleştirilmesi gerekir.

Core ML Performans Optimizasyonu

Optimizasyon, önemli bir doğruluk kaybı olmadan model boyutunu küçültme ve çıkarım hızını artırma sürecidir. Apple, coremltools ve Xcode’da yerleşik birkaç optimizasyon aracı sağlar: niceleme (ağırlık hassasiyetini azaltma), budama (önemsiz nöronları kaldırma), gereksiz katmanları kaldırma ve hesaplama grafiğini azaltmak için katman birleştirme.

Float16 ve Int8’e Niceleme

Niceme, model boyutunu Float32’ye kıyasla yaklaşık 2 kat (Float16) veya 4 kat (Int8) azaltır. Core ML üç niceleme modunu destekler: bir kalibrasyon veri kümesiyle eğitim sonrası niceleme (PTQ), coremltools aracılığıyla dönüştürme sırasında ve niceleme farkında eğitim (QAT). Çoğu bilgisayarlı görme modeli için PTQ ile Float16’ya dönüştürme, çıkarım hızını ikiye katlarken %0,5’ten az doğruluk kaybına neden olur.

Xcode’da Model Profilleme

Xcode, Core ML Model Profiler aracını sağlar ve simülatörde veya gerçek bir cihazda çeşitli cihazlardaki model performansını ölçmenize olanak tanır. Profil oluşturucu, her katmanın yürütme süresini, arka uç yükünü (ANE/GPU/CPU), tepe bellek kullanımını ve model darboğazlarını gösterir. Apple Performans Optimizasyon Kılavuzu’na göre, modellerin %80’inden fazlası, değiştirme veya birleştirme yoluyla optimize edilebilen, diğerlerinden önemli ölçüde daha yavaş çalışan en az bir katmana (katman anormalliği) sahiptir.

Pratik Core ML Entegrasyon Örneği

Swift kullanarak bir iOS uygulamasına eğitilmiş bir Core ML modelinin entegrasyonuna bakalım. .mlpackage dosyasını Xcode projesine ekledikten sonra (sürükleyerek veya Swift Package Manager aracılığıyla), Xcode otomatik olarak tür belirtilmiş girdi ve çıktılara sahip bir Swift model sınıfı oluşturur. Geliştiricinin giriş verilerini manuel olarak ayrıştırması gerekmez — oluşturulan sınıf, model meta verilerine bağlı olarak UIImage, MLMultiArray, String veya diğer türleri kabul eder.

import CoreML
import Vision

guard let model = try? VNCoreMLModel(
    for: MyImageClassifier().model
) else { return }

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

    if let topResult = results.first {
        print("Class: \(topResult.identifier)")
        print("Confidence: \(topResult.confidence)")
    }
}

let handler = VNImageRequestHandler(
    cgImage: image.cgImage!,
    options: [:]
)
try handler.perform([request])

Hata Yönetimi ve Yedekleme

Core ML’yi entegre ederken hata yönetimini uygulamanız gerekir: model, cihaz uyumsuzluğu (çok eski iOS sürümü), yetersiz bellek veya model dosyası bozulması nedeniyle yüklenemeyebilir. Yedekleme mantığı uygulanması önerilir: model nicelenmiş Int8 formatında yüklenemezse Float16 sürümünü yükleyin, o da başarısız olursa — Float32’yi yükleyin. Apple Crash Analytics’e göre, ML uygulaması çökmelerinin %5’inden fazlası yanlış model yüklemesinden kaynaklanır.

Core ML ve Create ML Farkı

Core ML ve Create ML, Apple ML ekosisteminin iki tamamlayıcı aracıdır. Core ML, cihaz üzerinde model yürütmeyi (çıkarım) yönetirken Create ML, model eğitimini yönetir. Create ML’de oluşturulan modeller, uygulamalara daha sonra entegrasyon için özel olarak Core ML formatına (.mlpackage) aktarılır. Web geliştirme terimleriyle ifade etmek gerekirse Core ML tarayıcı (yürütme), Create ML ise kod yazmak için IDE’dir (eğitim).