DESIGN DECISION
离线识别 + 在线内容
摄像头帧和相册图片进入同一条 CoreML 推理链；识别结果立即展示，本地历史与异步百科请求再补齐完整信息。
SwiftSwiftUIYOLO11mCoreMLVision
离线识别，在线百科，打造智能动物识别新体验。
ON-DEVICE AI PIPELINE
从训练数据到 iPhone 端侧推理
模型在本地完成识别，网络只负责补充百科内容，让核心体验不依赖云端推理。
50,000训练图片
11动物类别
200训练轮次
01 DATA YOLO 数据集 →
02 TRAIN YOLO11m →
03 EXPORT CoreML →
04 INFER Apple NPU →
05 ENRICH 百科信息
SwiftUI
Camera
Vision
Async API
CORECoreML
CAPABILITIES
端侧闭环
01实时摄像头识别✓
02拍照识别✓
03历史记录✓
04百科详情✓
背景
我的毕业设计是《Development of an AI-Powered Mobile Application for Animal Identification and Information》，开发一个可以识别动物的移动软件，在跟导师沟通后打算用Yolo作为深度学习识别模型，移动端软件使用原生的iOS开发，即在XCode上使用Swift+SwiftUI进行iOS开发，原本就一直对iOS开发很感兴趣，借这次机会好好学习一下原生的iOS开发。
开发
模型训练
数据集是Open Images V7 Animals YOLO，包含11类动物的50,000张图片。
我选择这个数据集的原因是它有yolo格式的标签，但是直到我完成训练，我发现数据集不是很好，它非常不平衡，如下图所示，近27000张“狗”的图片，但其他平均只有2000张，但我还是尝试训练模型，看看结果。
我使用YOLO11m训练模型，这是最新版本的YOLO，我使用默认参数进行训练，将epochs设置为200，我没有验证过拟合问题。
.pt模型性能
系统显示下面的图片是这个模型嵌入在我的小系统中，自动推断系统摄像头中的图像。
CoreML模型导出
因为我想在iOS上部署模型，所以我需要将模型导出为CoreML格式，我按照官方教程中的命令导出模型：
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolov11m.pt")
# Export the model to CoreML format
model.export(format="coreml", nms=True) # creates 'yolo11n.mlpackage'成功导出后，生成了一个名为yolo11m.mlpackage的文件，接下来就可以嵌入到我的iOS项目中，在XCode中可以对mlpackage进行预览，结果如下：
iOS App开发
iOS App端功能展示
App的主要功能包括实时动物识别、拍照识别和百科信息查询。
入口主页 
识别历史列表 
识别结果 实时动物识别
