在许多场景中，仅仅给图片分配一个标签是不够的。例如，在安全系统中，不仅想知道图片中是否有行李箱，还想知道它的位置，以及它是否被人群包围或被遗弃。对象检测模型可以帮助实现这一点。在本系列文章中，将使用预训练的模型创建一个iOS应用程序，该程序可以在实时摄像头输入中检测多个人物和对象，而不仅仅是静态图片。
本系列文章假设熟悉Python、Conda和ONNX，并且具有在Xcode中开发iOS应用程序的经验。可以通过下载源代码来运行这些代码。将在macOS 10.15+、Xcode 11.7+和iOS 13+上运行代码。要创建coreml Conda环境，请使用下载的代码中的env-coreml.yml文件和以下命令：
$ conda env create -f env-coreml.yml
$ conda activate coreml
$ jupyter notebook
在本文中，将从将YOLO对象检测模型从Open Neural Network Exchange格式（ONNX）转换为Core ML格式开始。虽然可以从头开始训练自己的对象检测器，但这将是一项令人沮丧的练习。除非拥有庞大的训练数据集和大量用于GPU时间的预算，否则使用预训练的YOLO对象检测模型将获得更准确的结果。
对象检测模型接受图像作为输入，并返回检测到的对象列表，以及相应的标签和边界框。上面的图像来自Open Images数据集。在本系列中，将使用YOLO架构，首次在文章"YOLO9000: Better, Faster, Stronger"中介绍，或者更确切地说，是YOLO v2。YOLO代表"只需查看一次"，这反映了它的基本思想：一次通过神经网络的图像数据产生检测结果。许多文章详细解释了YOLO的工作原理；例如，"YOLO: Real-Time Object Detection"或"Real-time object detection with YOLO"。在这里，将专注于基础知识。
YOLO将输入图像划分为网格。对于每个网格单元，它计算多个带有相应对象标签的框。为了使事情变得更简单（对于模型，而不是那些使用它的人），它不计算绝对框坐标，而是计算一组因子来缩放预定义的"锚"框。
将在本文系列中使用的YOLOv2使用了一个169个单元（13 x 13）的网格，每个单元有五个框。这些为模型处理的每个图像提供了845个边界框。在深入了解YOLO的输出之前，让专注于第一步：将YOLO模型转换为Core ML格式。
在ONNX模型动物园中有许多模型可用，尽管并非所有模型都同样易于使用或转换，主要是因为缺乏文档。选择了YOLO v2，这是在几次尝试转换YOLO v4或v3失败后的宝贵教训：即使Core ML支持源ONNX模型声明的相同操作集（"opset"）版本，转换也可能失败。选定的模型在COCO数据集上进行了训练，包括80种不同的对象类别，如人、狗、刀等。
一旦模型被下载到存储在onnx_model_path变量中的路径，就可以加载它：
import os
import coremltools as ct
import onnx
import urllib
onnx_model_path = './models/yolov2-coco-9.onnx'
with open(onnx_model_path, 'rb') as f:
model_onnx = onnx.load(f)
接下来，让检查模型的输入：
print(model_onnx.graph.input)
因此，输入节点的名称为"input.1"，它接受一个维度为（1, 3, 416, 416）的数组，这对应于一批3通道图像（RGB），每个图像的像素为416 x 416。ONNX模型动物园页面上关于这个特定模型的文档非常模糊。然而，由于YOLO v3和v4的可用预处理代码将输入值缩放到[0 - 1]的范围，将假设v2也是如此。现在可以运行转换：
cml_model = ct.converters.onnx.convert(
model=onnx_model_path,
image_input_names=['input.1'],
preprocessing_args={
'image_scale': 1/255.0,
'is_bgr': False},
minimum_ios_deployment_target='13',
)
确保将单个元素列表分配给image_input_names参数。如果错过了那里的方括号，一切似乎都会正常工作，但是预处理_args参数定义的输入缩放将在预测期间被静默忽略。这可能看起来不多 - 但它是。它会弄乱模型返回的结果，可能会花费很长时间试图弄清楚出了什么问题，并质疑世界的确定性本质。去过那里！
转换完成后，应该在日志中看到确认：
cml_model_path = './models/yolov2-coco-9.mlmodel'
cml_model.save(cml_model_path)
print(cml_model)
好的：输入是一个RGB图像，尺寸为416 x 416。现在让快速检查否可以用它进行预测。要做到这一点，需要将图像裁剪和缩放到416 x 416像素：
def load_and_scale_image(image_url):
image = Image.open(urlopen(image_url))
w, h = image.size
min_dim = min(w, h)
x0 = int((w - min_dim)/2)
y0 = int((h - min_dim)/2)
box = (x0, y0, x0 + min_dim, y0 + min_dim)
return image.crop(box=box).resize((416, 416))
image = load_and_scale_image('https://c2.staticflickr.com/4/3393/3436245648_c4f76c0a80_o.jpg')
pred = cml_model.predict(data={INPUT_NODE: image})
如所见，模型的输出是一个形状为（1, 425, 13, 13）的数组。第一个维度代表一批，最后两个代表上面提到的13 x 13 YOLO网格。但是每个单元中的"425"值呢？继续阅读本系列的下一篇文章，以找出答案。