Reviews

schappim/coreml-cli: uma interface de linha de comando nativa para trabalhar com modelos Apple Core ML no macOS

Uma interface de linha de comando nativa para trabalhar com modelos Apple Core ML no macOS. Inspecione, execute inferência, compare e gerencie modelos Core ML sem Xcode ou Python.

Inspecionar – Visualize a estrutura do modelo, entradas/saídas e metadados
Prever – Execute inferência em imagens, texto ou dados JSON
Lote – Processe vários arquivos com execução simultânea
Referência – Medir a latência e a taxa de transferência de inferência
Compilar – Converter .mlmodel para otimizar .mlmodelc formatar
Metadados – Visualizar e gerenciar metadados do modelo

brew tap schappim/coreml-cli
brew install coreml-cli

Baixe a versão mais recente em GitHub Releases:

curl -L https://github.com/schappim/coreml-cli/releases/download/v1.0.0/coreml-1.0.0-macos.tar.gz -o coreml.tar.gz
tar -xzf coreml.tar.gz
sudo mv coreml /usr/local/bin/

Requer macOS 13+ e Swift 5.9+

git clone https://github.com/schappim/coreml-cli.git
cd coreml-cli
swift build -c release
sudo cp .build/release/coreml /usr/local/bin/

coreml --version
# coreml 1.0.0

Visualize a estrutura do modelo, entradas, saídas e metadados:

coreml inspect MobileNetV2.mlmodel

Saída:

Model: MobileNetV2
Size: 24.7 MB
Compiled: No

Inputs:
  image: image 224x224 BGRA32

Outputs:
  classLabel: string
  classLabelProbs: dictionary

Metadata:
  Author: Original Paper: Mark Sandler, Andrew Howard...
  Description: Detects the dominant objects present in an image...

Saída JSON para script:

coreml inspect MobileNetV2.mlmodel --json

Classifique uma imagem:

coreml predict MobileNetV2.mlmodel --input photo.jpg

Saída:

Input: photo.jpg
Inference time: 1.66 ms

Outputs:
  classLabel: golden retriever
  classLabelProbs: golden retriever: 0.8721, Labrador retriever: 0.0543...

Salve os resultados no arquivo:

coreml predict MobileNetV2.mlmodel --input photo.jpg --output results.json --json

Selecione o dispositivo de computação:

coreml predict MobileNetV2.mlmodel --input photo.jpg --device ane  # Apple Neural Engine
coreml predict MobileNetV2.mlmodel --input photo.jpg --device gpu  # GPU
coreml predict MobileNetV2.mlmodel --input photo.jpg --device cpu  # CPU only

Processe um diretório de imagens:

coreml batch MobileNetV2.mlmodel --dir ./photos --out ./results --format csv

Saída:

Found 100 input files
Results written to: ./results/results.csv

Processed 100 files in 892.45 ms
Average inference time: 2.15 ms

Simultaneidade de controle:

coreml batch MobileNetV2.mlmodel --dir ./photos --out ./results --concurrency 8

Medir a latência de inferência:

coreml benchmark MobileNetV2.mlmodel --input sample.jpg

Saída:

Benchmark Results for: MobileNetV2
==================================================

Configuration:
  Device: all
  Iterations: 100
  Warmup: 10

Latency (ms):
  Mean:      1.279
  Min:       1.008
  Max:       1.602
  StdDev:    0.204

Percentiles (ms):
  P50:       1.200
  P95:       1.523
  P99:       1.589

Throughput: 781.86 inferences/sec

Iterações personalizadas:

coreml benchmark MobileNetV2.mlmodel --input sample.jpg -n 500 --warmup 50

Saída JSON para CI/CD:

coreml benchmark MobileNetV2.mlmodel --input sample.jpg --json > benchmark.json

Compilar .mlmodel para otimizar .mlmodelc:

coreml compile MobileNetV2.mlmodel

Saída:

Compilation successful!
  Source: /path/to/MobileNetV2.mlmodel
  Output: /path/to/MobileNetV2.mlmodelc
  Original size: 24.7 MB
  Compiled size: 24.5 MB

Com validação:

coreml compile MobileNetV2.mlmodel --validate --output-dir ./compiled/

Obtenha metadados do modelo:

coreml meta get MobileNetV2.mlmodel

Saída:

Metadata for: MobileNetV2.mlmodel

  Author:      Original Paper: Mark Sandler, Andrew Howard...
  Description: Detects the dominant objects present in an image...
  License:     Please see https://github.com/tensorflow/tensorflow...
  Version:     1.0

Opção	Descrição
`--json`, `-j`	Saída no formato JSON
`--device`	Dispositivo de computação: `cpu`, `gpu`, `ane`ou `all`
`--help`, `-h`	Mostrar informações de ajuda
`--version`	Mostrar versão

Tipo	Extensões	Usado para
Imagens	`.jpg`, `.jpeg`, `.png`, `.heic`	Modelos de visão
Áudio	`.wav`	Classificação sonora
Texto	`.txt`	Modelos de PNL
Tensores	`.json`	Modelos personalizados

Pipeline de classificação de imagens

#!/bin/bash
# Classify all images in a folder and generate a report

MODEL="MobileNetV2.mlmodel"
INPUT_DIR="./images"
OUTPUT_DIR="./classifications"

# Run batch classification
coreml batch "$MODEL" --dir "$INPUT_DIR" --out "$OUTPUT_DIR" --format csv

# View results
cat "$OUTPUT_DIR/results.csv"

#!/bin/bash
# Compare inference speed across compute devices

MODEL="MobileNetV2.mlmodel"
INPUT="test.jpg"

echo "CPU Only:"
coreml benchmark "$MODEL" -i "$INPUT" --device cpu -n 50 --json | jq '.meanLatencyMs'

echo "GPU:"
coreml benchmark "$MODEL" -i "$INPUT" --device gpu -n 50 --json | jq '.meanLatencyMs'

echo "Neural Engine:"
coreml benchmark "$MODEL" -i "$INPUT" --device ane -n 50 --json | jq '.meanLatencyMs'

# GitHub Actions example
- name: Benchmark Model
  run: |
    coreml benchmark model.mlmodel -i test.jpg --json > benchmark.json

- name: Check Performance Regression
  run: |
    LATENCY=$(jq '.meanLatencyMs' benchmark.json)
    if (( $(echo "$LATENCY > 10" | bc -l) )); then
      echo "Performance regression detected: ${LATENCY}ms"
      exit 1
    fi

Para modelos que aceitam entradas de tensores numéricos (não imagens), você pode passar matrizes JSON:

Crie um arquivo de entrada JSON (input.json):

Previsão de execução:

coreml predict MyClassifier.mlmodel --input input.json

Saída:

Input: input.json
Inference time: 0.12 ms

Outputs:
  probabilities: [0.1377, 0.7100, 0.1522]

Processe em lote vários arquivos JSON:

# Create a directory with JSON input files
mkdir json_samples
echo '[5.1, 3.5, 1.4, 0.2]' > json_samples/sample1.json
echo '[6.7, 3.1, 4.7, 1.5]' > json_samples/sample2.json
echo '[5.9, 3.0, 5.1, 1.8]' > json_samples/sample3.json
echo '[4.6, 3.4, 1.4, 0.3]' > json_samples/sample4.json

# Run batch prediction
coreml batch MyClassifier.mlmodel --dir json_samples --out json_results --format csv

CSV de saída (json_results/results.csv):

input_file,inference_time_ms,probabilities
sample1.json,0.27,"[0.1377, 0.7100, 0.1522]"
sample2.json,0.22,"[0.0613, 0.5931, 0.3456]"
sample3.json,0.29,"[0.0522, 0.5000, 0.4479]"
sample4.json,0.17,"[0.1406, 0.6825, 0.1769]"

Isso é útil para modelos treinados em dados tabulares, incorporações ou qualquer entrada numérica que não seja de imagem.

macOS 13.0 ou posterior
Apple Silicon ou Intel Mac
Modelos principais de ML (.mlmodel, .mlpackageou .mlmodelc)

Licença MIT – consulte LICENÇA para obter detalhes.

Contribuições são bem-vindas! Abra um problema ou envie uma solicitação pull.

Fonte: theverge

Mais recentes

sobremesa de chocolate para celebrar sem abrir mão do sabor

Vaibhav Suryavanshi: O indiano de 15 anos que o críquete não pode mais ignorar

Stroll vive “campeonato próprio da Aston” com Alonso em 2026

Guerra no Oriente Médio: alta do petróleo deve elevar inflação e frear economia, diz presidente do BC

dica simples para deixar qualquer corte macio

Hospital de Rutland homenageia médicos com arte estudantil

MENU

CASAES

schappim/coreml-cli: uma interface de linha de comando nativa para trabalhar com modelos Apple Core ML no macOS

Pipeline de classificação de imagens

Mais recentes

CASAES

Fique sempre bem informado!

Siga-nos