AI और मशीन लर्निंग गाइड

CoreML डिप्लॉयमेंट गाइड: Mac Mini M4 पर ट्रेनिंग से प्रोडक्शन तक

Apple का CoreML फ्रेमवर्क Neural Engine, GPU, और CPU का एक साथ उपयोग करके अत्यंत तेज़ इन्फ़रेंस प्रदान करता है। यह गाइड आपको PyTorch, TensorFlow, और ONNX से मॉडल कन्वर्ट करने, उन्हें M4 के 16-कोर Neural Engine के लिए ऑप्टिमाइज़ करने, और प्रोडक्शन REST API डिप्लॉय करने की प्रक्रिया से गुज़ारती है -- यह सब एक समर्पित Mac Mini M4 पर।

25 मिनट का पठन मार्च 2026 में अपडेट किया गया मध्यम से उन्नत

1. Mac Mini M4 पर CoreML क्यों?

CoreML Apple का नेटिव मशीन लर्निंग फ्रेमवर्क है, जिसे Apple Silicon से अधिकतम प्रदर्शन निकालने के लिए विशेष रूप से बनाया गया है। GPU को एकल कंप्यूट डिवाइस के रूप में मानने वाले सामान्य ML फ्रेमवर्क के विपरीत, CoreML बुद्धिमानी से वर्कलोड को CPU, GPU, और समर्पित 16-कोर Neural Engine में वितरित करता है -- अक्सर एक मॉडल के अलग-अलग हिस्सों को अलग-अलग कंप्यूट इकाइयों पर एक साथ चलाता है।

16-कोर Neural Engine

M4 का Neural Engine क्वांटाइज़्ड int8 वर्कलोड के लिए 38 TOPS (ट्रिलियन ऑपरेशन प्रति सेकंड) तक प्रदान करता है। CoreML स्वचालित रूप से संगत लेयरों -- कॉन्वोल्यूशन, मैट्रिक्स गुणन, नॉर्मलाइज़ेशन -- को न्यूनतम बिजली खपत पर अधिकतम थ्रूपुट के लिए Neural Engine पर रूट करता है।

यूनिफ़ाइड मेमोरी आर्किटेक्चर

सभी कंप्यूट इकाइयाँ 120 GB/s तक बैंडविड्थ के साथ एक ही मेमोरी पूल साझा करती हैं। CPU और GPU मेमोरी के बीच कोई PCIe बॉटलनेक या डेटा कॉपी नहीं होती। एक 24GB Mac Mini M4 हर कंप्यूट इकाई को पूरे 24GB तक सीधी पहुँच देता है, जो समकक्ष डिस्क्रीट GPU सेटअप की तुलना में बड़े मॉडलों को सक्षम बनाता है।

स्वचालित कंप्यूट डिस्पैच

CoreML का कंपाइलर आपके मॉडल ग्राफ़ का विश्लेषण करता है और प्रत्येक ऑपरेशन को इष्टतम कंप्यूट इकाई को सौंपता है। कॉन्वोल्यूशन Neural Engine पर चलते हैं, कस्टम ऑप्स GPU या CPU पर फ़ॉलबैक होते हैं, और सब कुछ एक यूनिफ़ाइड पाइपलाइन के रूप में एक्ज़ीक्यूट होता है। आपको शून्य मैन्युअल प्रयास के साथ हार्डवेयर-स्तरीय ऑप्टिमाइज़ेशन मिलता है।

बड़े पैमाने पर बिजली दक्षता

CoreML इन्फ़रेंस चलाने वाला एक Mac Mini M4 कुल 5-20W सिस्टम बिजली खपत करता है। इसकी तुलना एक NVIDIA A100 GPU सर्वर के 300-450W से करें। हमेशा चालू रहने वाले प्रोडक्शन इन्फ़रेंस के लिए, इसका अर्थ है नाटकीय रूप से कम बिजली की लागत और विशेष कूलिंग इन्फ्रास्ट्रक्चर की कोई आवश्यकता नहीं।

मुख्य अंतर्दृष्टि: CoreML केवल iOS ऐप्स के लिए नहीं है। coremltools के ज़रिए Python बाइंडिंग के साथ, आप किसी भी प्रमुख फ्रेमवर्क से मॉडल कन्वर्ट कर सकते हैं, Python स्क्रिप्ट से इन्फ़रेंस चला सकते हैं, और प्रोडक्शन API बना सकते हैं -- यह सब उस Neural Engine का लाभ उठाते हुए जिस तक अधिकांश सर्वर-साइड फ्रेमवर्क पहुँच नहीं सकते।

2. PyTorch मॉडल को CoreML में कन्वर्ट करें

Apple की coremltools लाइब्रेरी PyTorch मॉडल से CoreML के .mlpackage फ़ॉर्मेट तक एक सीधा कन्वर्ज़न पथ प्रदान करती है। कन्वर्ज़न आपके मॉडल को सैंपल इनपुट के साथ ट्रेस करता है और प्रत्येक ऑपरेशन को CoreML के आंतरिक प्रतिनिधित्व में अनुवादित करता है।

चरण 1: डिपेंडेंसी इंस्टॉल करें

# Create a virtual environment
python3 -m venv ~/coreml-env
source ~/coreml-env/bin/activate

# Install coremltools and PyTorch
pip install coremltools torch torchvision

# Verify installation
python3 -c "import coremltools as ct; print(ct.__version__)"
# 8.1

चरण 2: एक PyTorch इमेज क्लासिफ़ायर कन्वर्ट करें

import torch
import torchvision
import coremltools as ct

# Load a pretrained ResNet50 model
model = torchvision.models.resnet50(weights=torchvision.models.ResNet50_Weights.DEFAULT)
model.eval()

# Create a sample input (batch=1, channels=3, height=224, width=224)
example_input = torch.randn(1, 3, 224, 224)

# Trace the model with TorchScript
traced_model = torch.jit.trace(model, example_input)

# Convert to CoreML
coreml_model = ct.convert(
    traced_model,
    inputs=[ct.ImageType(
        name="image",
        shape=(1, 3, 224, 224),
        scale=1.0 / (255.0 * 0.226),
        bias=[-0.485 / 0.226, -0.456 / 0.226, -0.406 / 0.226],
        color_layout=ct.colorlayout.RGB
    )],
    classifier_config=ct.ClassifierConfig("imagenet_classes.txt"),
    compute_units=ct.ComputeUnit.ALL,  # Use Neural Engine + GPU + CPU
    minimum_deployment_target=ct.target.macOS15,
)

# Save the model
coreml_model.save("ResNet50.mlpackage")
print("Model saved: ResNet50.mlpackage")

चरण 3: एक कस्टम PyTorch मॉडल कन्वर्ट करें

import torch
import torch.nn as nn
import coremltools as ct

# Define a custom text embedding model
class TextEncoder(nn.Module):
    def __init__(self, vocab_size=30000, embed_dim=512, num_heads=8, num_layers=6):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.pos_encoding = nn.Parameter(torch.randn(1, 512, embed_dim))
        encoder_layer = nn.TransformerEncoderLayer(
            d_model=embed_dim, nhead=num_heads, batch_first=True
        )
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers=num_layers)
        self.output_proj = nn.Linear(embed_dim, 256)

    def forward(self, input_ids):
        x = self.embedding(input_ids) + self.pos_encoding[:, :input_ids.shape[1], :]
        x = self.transformer(x)
        x = x.mean(dim=1)  # Global average pooling
        return self.output_proj(x)

# Initialize and load your trained weights
model = TextEncoder()
# model.load_state_dict(torch.load("text_encoder_weights.pt"))
model.eval()

# Trace with example input
example_input = torch.randint(0, 30000, (1, 128))
traced_model = torch.jit.trace(model, example_input)

# Convert to CoreML
coreml_model = ct.convert(
    traced_model,
    inputs=[ct.TensorType(name="input_ids", shape=(1, 128), dtype=int)],
    outputs=[ct.TensorType(name="embedding")],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

# Add metadata
coreml_model.author = "My Remote Mac"
coreml_model.short_description = "Text embedding model for semantic search"
coreml_model.version = "1.0.0"

coreml_model.save("TextEncoder.mlpackage")
print("Model saved: TextEncoder.mlpackage")

चरण 4: कन्वर्ट किए गए मॉडल को सत्यापित करें

import coremltools as ct
import numpy as np

# Load the converted model
model = ct.models.MLModel("ResNet50.mlpackage")

# Inspect model metadata
spec = model.get_spec()
print(f"Model type: {spec.WhichOneof('Type')}")
print(f"Inputs: {[inp.name for inp in spec.description.input]}")
print(f"Outputs: {[out.name for out in spec.description.output]}")

# Run a test prediction
from PIL import Image
img = Image.open("test_image.jpg").resize((224, 224))
prediction = model.predict({"image": img})
print(f"Top prediction: {prediction}")

# Check which compute units are available
print(f"Compute units: {model.compute_unit}")

3. TensorFlow मॉडल को CoreML में कन्वर्ट करें

CoreML TensorFlow SavedModel फ़ॉर्मेट, Keras .h5 मॉडल, और TensorFlow Lite .tflite मॉडल से कन्वर्ज़न का समर्थन करता है। coremltools कन्वर्टर कस्टम लेयरों सहित पूर्ण TensorFlow ऑप सेट को संभालता है।

एक TensorFlow SavedModel कन्वर्ट करें

import coremltools as ct
import tensorflow as tf

# Load a TensorFlow SavedModel (e.g., EfficientNet trained on your data)
tf_model = tf.keras.applications.EfficientNetV2S(
    weights="imagenet",
    input_shape=(384, 384, 3)
)

# Convert to CoreML
coreml_model = ct.convert(
    tf_model,
    inputs=[ct.ImageType(
        name="image",
        shape=(1, 384, 384, 3),
        scale=1.0 / 255.0,
        color_layout=ct.colorlayout.RGB
    )],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

coreml_model.save("EfficientNetV2S.mlpackage")
print("Saved EfficientNetV2S.mlpackage")

एक Keras H5 मॉडल कन्वर्ट करें

import coremltools as ct
import tensorflow as tf

# Load your custom Keras model
model = tf.keras.models.load_model("my_custom_model.h5")

# Print model summary to understand input/output shapes
model.summary()

# Convert with explicit input/output specifications
coreml_model = ct.convert(
    model,
    inputs=[ct.TensorType(name="features", shape=(1, 128))],
    outputs=[ct.TensorType(name="prediction")],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

# Add model metadata
coreml_model.author = "ML Team"
coreml_model.license = "Proprietary"
coreml_model.short_description = "Customer churn prediction model v2.1"
coreml_model.version = "2.1.0"

coreml_model.save("ChurnPredictor.mlpackage")

एक TensorFlow Lite मॉडल कन्वर्ट करें

import coremltools as ct

# Convert directly from a .tflite file
coreml_model = ct.convert(
    "object_detector.tflite",
    source="tensorflow",
    inputs=[ct.ImageType(
        name="image",
        shape=(1, 320, 320, 3),
        scale=1.0 / 255.0,
        color_layout=ct.colorlayout.RGB
    )],
    outputs=[
        ct.TensorType(name="boxes"),
        ct.TensorType(name="scores"),
        ct.TensorType(name="classes"),
    ],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

coreml_model.save("ObjectDetector.mlpackage")
print("Saved ObjectDetector.mlpackage")

4. ONNX मॉडल को CoreML में कन्वर्ट करें

ONNX (Open Neural Network Exchange) एक सार्वभौमिक फ़ॉर्मेट है जिसमें कई फ्रेमवर्क एक्सपोर्ट कर सकते हैं। यह ONNX को scikit-learn, XGBoost, या यहाँ तक कि कस्टम C++ ट्रेनिंग पाइपलाइनों जैसे फ्रेमवर्क से मॉडल कन्वर्ट करने के लिए एक सुविधाजनक मध्यवर्ती फ़ॉर्मेट बनाता है।

ONNX समर्थन इंस्टॉल करें

# Install ONNX and onnxruntime for validation
pip install onnx onnxruntime coremltools

एक ONNX मॉडल कन्वर्ट करें

import coremltools as ct
import onnx

# Load and validate the ONNX model
onnx_model = onnx.load("yolov8n.onnx")
onnx.checker.check_model(onnx_model)
print("ONNX model is valid")

# Inspect input/output shapes
for inp in onnx_model.graph.input:
    print(f"Input: {inp.name}, shape: {[d.dim_value for d in inp.type.tensor_type.shape.dim]}")
for out in onnx_model.graph.output:
    print(f"Output: {out.name}, shape: {[d.dim_value for d in out.type.tensor_type.shape.dim]}")

# Convert ONNX to CoreML
coreml_model = ct.converters.convert(
    "yolov8n.onnx",
    inputs=[ct.ImageType(
        name="images",
        shape=(1, 3, 640, 640),
        scale=1.0 / 255.0,
        color_layout=ct.colorlayout.RGB
    )],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

coreml_model.short_description = "YOLOv8 Nano object detection model"
coreml_model.save("YOLOv8n.mlpackage")
print("Saved YOLOv8n.mlpackage")

PyTorch को ONNX में, फिर CoreML में एक्सपोर्ट करें

import torch
import coremltools as ct

# When direct PyTorch conversion fails, use ONNX as an intermediate step
model = torch.hub.load('pytorch/vision', 'detr_resnet50', pretrained=True)
model.eval()

dummy_input = torch.randn(1, 3, 800, 800)

# Step 1: Export to ONNX
torch.onnx.export(
    model,
    dummy_input,
    "detr_resnet50.onnx",
    input_names=["image"],
    output_names=["pred_logits", "pred_boxes"],
    opset_version=17,
    dynamic_axes={"image": {0: "batch"}}
)
print("Exported to ONNX")

# Step 2: Convert ONNX to CoreML
coreml_model = ct.converters.convert(
    "detr_resnet50.onnx",
    inputs=[ct.ImageType(name="image", shape=(1, 3, 800, 800), scale=1.0/255.0)],
    compute_units=ct.ComputeUnit.ALL,
    minimum_deployment_target=ct.target.macOS15,
)

coreml_model.save("DETR_ResNet50.mlpackage")
print("Saved DETR_ResNet50.mlpackage")

5. Neural Engine के लिए ऑप्टिमाइज़ करें

Neural Engine क्वांटाइज़्ड मॉडलों के साथ चरम प्रदर्शन प्रदान करता है। पोस्ट-ट्रेनिंग क्वांटाइज़ेशन, पैलेटाइज़ेशन, और प्रूनिंग लागू करने से मॉडल का आकार 4-8 गुना तक कम हो सकता है और Neural Engine थ्रूपुट 2-4 गुना तक बेहतर हो सकता है -- अक्सर नगण्य सटीकता हानि के साथ।

Float16 क्वांटाइज़ेशन (सबसे सरल ऑप्टिमाइज़ेशन)

import coremltools as ct
from coremltools.models.neural_network import quantization_utils

# Load the full-precision model
model = ct.models.MLModel("ResNet50.mlpackage")

# Quantize to float16 -- halves model size with virtually no quality loss
model_fp16 = quantization_utils.quantize_weights(model, nbits=16)
model_fp16.save("ResNet50_fp16.mlpackage")

# Check file sizes
import os
original_size = sum(
    os.path.getsize(os.path.join(dp, f))
    for dp, dn, fn in os.walk("ResNet50.mlpackage") for f in fn
)
optimized_size = sum(
    os.path.getsize(os.path.join(dp, f))
    for dp, dn, fn in os.walk("ResNet50_fp16.mlpackage") for f in fn
)
print(f"Original: {original_size / 1e6:.1f} MB")
print(f"Float16:  {optimized_size / 1e6:.1f} MB")
print(f"Reduction: {(1 - optimized_size/original_size)*100:.1f}%")

Int8 पोस्ट-ट्रेनिंग क्वांटाइज़ेशन

import coremltools as ct
import coremltools.optimize as cto
import numpy as np

# Load the model
model = ct.models.MLModel("ResNet50.mlpackage")

# Configure linear (int8) quantization with calibration data
op_config = cto.coreml.OpLinearQuantizerConfig(
    mode="linear_symmetric",
    dtype="int8",
    granularity="per_channel"
)

config = cto.coreml.OptimizationConfig(global_config=op_config)

# Prepare calibration data (representative samples from your dataset)
def load_calibration_data():
    """Load 100-200 representative samples for calibration."""
    calibration_samples = []
    for i in range(100):
        # Replace with your actual data loading
        sample = np.random.randn(1, 3, 224, 224).astype(np.float32)
        calibration_samples.append({"image": sample})
    return calibration_samples

# Apply post-training quantization
model_int8 = cto.coreml.linear_quantize_weights(
    model,
    config=config,
    sample_data=load_calibration_data()
)

model_int8.save("ResNet50_int8.mlpackage")
print("Saved int8 quantized model")

पैलेटाइज़ेशन (वेट क्लस्टरिंग)

import coremltools as ct
import coremltools.optimize as cto

# Palettization clusters weights into a small lookup table
# 4-bit palettization = 16 unique weight values per tensor
# Achieves ~4x compression with minimal accuracy loss

model = ct.models.MLModel("ResNet50.mlpackage")

# Configure palettization
op_config = cto.coreml.OpPalettizerConfig(
    mode="kmeans",
    nbits=4,              # 4-bit = 16 clusters, 2-bit = 4 clusters
    granularity="per_tensor"
)

config = cto.coreml.OptimizationConfig(global_config=op_config)

# Apply palettization
model_palettized = cto.coreml.palettize_weights(model, config=config)
model_palettized.save("ResNet50_palettized_4bit.mlpackage")

print("4-bit palettized model saved")
print("This model runs optimally on the Neural Engine")

प्रूनिंग (स्पार्सिटी)

import coremltools as ct
import coremltools.optimize as cto

# Pruning sets small weights to zero, enabling sparse computation
# The Neural Engine can skip zero-weight operations for speed gains

model = ct.models.MLModel("ResNet50.mlpackage")

# Configure magnitude-based pruning
op_config = cto.coreml.OpMagnitudePrunerConfig(
    target_sparsity=0.75,              # Remove 75% of smallest weights
    granularity="per_channel",
    block_size=None                     # Unstructured pruning
)

config = cto.coreml.OptimizationConfig(global_config=op_config)

# Apply pruning
model_pruned = cto.coreml.prune_weights(model, config=config)
model_pruned.save("ResNet50_pruned_75.mlpackage")

print("75% sparse model saved")

संयुक्त ऑप्टिमाइज़ेशन पाइपलाइन

import coremltools as ct
import coremltools.optimize as cto

# For maximum optimization, combine pruning + palettization + quantization
# This can achieve 8-16x compression with 1-2% accuracy loss

model = ct.models.MLModel("ResNet50.mlpackage")

# Step 1: Prune (set small weights to zero)
prune_config = cto.coreml.OptimizationConfig(
    global_config=cto.coreml.OpMagnitudePrunerConfig(target_sparsity=0.5)
)
model = cto.coreml.prune_weights(model, config=prune_config)
print("Step 1: Pruning complete (50% sparsity)")

# Step 2: Palettize (cluster remaining weights)
palette_config = cto.coreml.OptimizationConfig(
    global_config=cto.coreml.OpPalettizerConfig(mode="kmeans", nbits=4)
)
model = cto.coreml.palettize_weights(model, config=palette_config)
print("Step 2: Palettization complete (4-bit)")

# Save the fully optimized model
model.save("ResNet50_optimized.mlpackage")
print("Fully optimized model saved -- ready for Neural Engine deployment")

टिप: ऑप्टिमाइज़ेशन के बाद हमेशा सटीकता का बेंचमार्क करें। float16 (सबसे सुरक्षित) से शुरू करें, फिर int8 क्वांटाइज़ेशन आज़माएं, फिर पैलेटाइज़ेशन। आक्रामक ऑप्टिमाइज़ेशन लागू करने से पहले एक होल्ड-आउट वैलिडेशन सेट का उपयोग करें और एक स्वीकार्य सटीकता सीमा परिभाषित करें।

6. CoreML इन्फ़रेंस के लिए एक REST API बनाएं

अपने CoreML मॉडल को एक REST API में रैप करने से यह किसी भी क्लाइंट के लिए सुलभ हो जाता है -- वेब ऐप्स, मोबाइल ऐप्स, माइक्रोसर्विसेज़, या बैच प्रोसेसिंग पाइपलाइन। नीचे Flask और FastAPI दोनों का उपयोग करते हुए प्रोडक्शन-रेडी उदाहरण दिए गए हैं।

विकल्प A: Flask API सर्वर

# flask_coreml_server.py
# pip install flask pillow coremltools gunicorn

import io
import time
import coremltools as ct
from flask import Flask, request, jsonify
from PIL import Image

app = Flask(__name__)

# Load the CoreML model at startup (runs on Neural Engine)
print("Loading CoreML model...")
model = ct.models.MLModel(
    "ResNet50_optimized.mlpackage",
    compute_units=ct.ComputeUnit.ALL
)
print("Model loaded successfully")

@app.route("/health", methods=["GET"])
def health():
    return jsonify({"status": "healthy", "model": "ResNet50"})

@app.route("/predict", methods=["POST"])
def predict():
    if "image" not in request.files:
        return jsonify({"error": "No image file provided"}), 400

    # Read and preprocess the image
    image_file = request.files["image"]
    image = Image.open(io.BytesIO(image_file.read())).resize((224, 224))

    # Run inference with timing
    start = time.perf_counter()
    prediction = model.predict({"image": image})
    latency_ms = (time.perf_counter() - start) * 1000

    return jsonify({
        "prediction": prediction,
        "latency_ms": round(latency_ms, 2),
        "compute_unit": "neural_engine+gpu+cpu"
    })

@app.route("/predict/batch", methods=["POST"])
def predict_batch():
    """Process multiple images in a single request."""
    if "images" not in request.files:
        return jsonify({"error": "No image files provided"}), 400

    results = []
    files = request.files.getlist("images")

    start = time.perf_counter()
    for image_file in files:
        image = Image.open(io.BytesIO(image_file.read())).resize((224, 224))
        prediction = model.predict({"image": image})
        results.append(prediction)
    total_ms = (time.perf_counter() - start) * 1000

    return jsonify({
        "predictions": results,
        "total_latency_ms": round(total_ms, 2),
        "images_processed": len(results),
        "avg_latency_ms": round(total_ms / len(results), 2)
    })

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

# Production: gunicorn flask_coreml_server:app -w 2 -b 0.0.0.0:5000 --timeout 120

विकल्प B: FastAPI सर्वर (Async + OpenAPI Docs)

# fastapi_coreml_server.py
# pip install fastapi uvicorn python-multipart pillow coremltools

import io
import time
import asyncio
from concurrent.futures import ThreadPoolExecutor
import coremltools as ct
from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.responses import JSONResponse
from PIL import Image
from typing import List

app = FastAPI(
    title="CoreML Inference API",
    description="Production CoreML model serving on Mac Mini M4",
    version="1.0.0"
)

# Load model at startup
model = ct.models.MLModel(
    "ResNet50_optimized.mlpackage",
    compute_units=ct.ComputeUnit.ALL
)

# Thread pool for blocking CoreML calls
executor = ThreadPoolExecutor(max_workers=4)

def run_prediction(image_bytes: bytes) -> dict:
    """Run CoreML prediction in a thread (blocking call)."""
    image = Image.open(io.BytesIO(image_bytes)).resize((224, 224))
    start = time.perf_counter()
    result = model.predict({"image": image})
    latency = (time.perf_counter() - start) * 1000
    return {"prediction": result, "latency_ms": round(latency, 2)}

@app.get("/health")
async def health():
    return {"status": "healthy", "model": "ResNet50_optimized", "engine": "CoreML"}

@app.post("/predict")
async def predict(image: UploadFile = File(...)):
    if not image.content_type.startswith("image/"):
        raise HTTPException(status_code=400, detail="File must be an image")

    image_bytes = await image.read()
    loop = asyncio.get_event_loop()
    result = await loop.run_in_executor(executor, run_prediction, image_bytes)
    return result

@app.post("/predict/batch")
async def predict_batch(images: List[UploadFile] = File(...)):
    loop = asyncio.get_event_loop()
    tasks = []
    for img in images:
        image_bytes = await img.read()
        tasks.append(loop.run_in_executor(executor, run_prediction, image_bytes))

    results = await asyncio.gather(*tasks)
    return {
        "predictions": list(results),
        "total_images": len(results)
    }

# Run: uvicorn fastapi_coreml_server:app --host 0.0.0.0 --port 8000 --workers 2

API का परीक्षण करें

# Test single prediction
curl -X POST http://localhost:8000/predict \
  -F "image=@test_image.jpg"

# Test batch prediction
curl -X POST http://localhost:8000/predict/batch \
  -F "images=@image1.jpg" \
  -F "images=@image2.jpg" \
  -F "images=@image3.jpg"

# Health check
curl http://localhost:8000/health

# Python client example
import requests

with open("test_image.jpg", "rb") as f:
    response = requests.post(
        "http://your-mac-mini:8000/predict",
        files={"image": f}
    )
print(response.json())
# {"prediction": {"classLabel": "golden_retriever", "confidence": 0.94}, "latency_ms": 3.2}

launchd के साथ Systemd-शैली सेवा

# Create launchd plist for auto-start on boot
cat <<EOF > ~/Library/LaunchAgents/com.coreml.api.plist
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
  "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.coreml.api</string>
    <key>ProgramArguments</key>
    <array>
        <string>/Users/admin/coreml-env/bin/uvicorn</string>
        <string>fastapi_coreml_server:app</string>
        <string>--host</string>
        <string>0.0.0.0</string>
        <string>--port</string>
        <string>8000</string>
        <string>--workers</string>
        <string>2</string>
    </array>
    <key>WorkingDirectory</key>
    <string>/Users/admin/coreml-api</string>
    <key>RunAtLoad</key>
    <true/>
    <key>KeepAlive</key>
    <true/>
    <key>StandardOutPath</key>
    <string>/var/log/coreml-api.log</string>
    <key>StandardErrorPath</key>
    <string>/var/log/coreml-api-error.log</string>
</dict>
</plist>
EOF

# Load the service
launchctl load ~/Library/LaunchAgents/com.coreml.api.plist

# Verify
curl http://localhost:8000/health

7. प्रदर्शन बेंचमार्क

ये बेंचमार्क Mac Mini M4 पर CoreML इन्फ़रेंस की तुलना PyTorch MPS (Metal Performance Shaders) और केवल-CPU एक्ज़ीक्यूशन से करते हैं। सभी परीक्षण बैच आकार 1 के साथ सिंगल-इमेज इन्फ़रेंस का उपयोग करते हैं।

इमेज क्लासिफ़िकेशन (ResNet50, 224x224 इनपुट)

रनटाइम प्रिसिज़न लेटेंसी (ms) थ्रूपुट (img/s) बिजली (W)
CoreML (Neural Engine) Int8 1.2 ms ~833 ~3W
CoreML (Neural Engine) Float16 2.1 ms ~476 ~4W
CoreML (GPU only) Float16 3.8 ms ~263 ~8W
PyTorch MPS (GPU) Float32 5.4 ms ~185 ~10W
PyTorch CPU Float32 18.6 ms ~54 ~12W

ऑब्जेक्ट डिटेक्शन (YOLOv8n, 640x640 इनपुट)

रनटाइम प्रिसिज़न लेटेंसी (ms) थ्रूपुट (img/s) mAP@0.5
CoreML (All Units) Float16 4.8 ms ~208 37.2%
CoreML (All Units) Int8 3.5 ms ~286 36.8%
PyTorch MPS (GPU) Float32 12.3 ms ~81 37.3%
PyTorch CPU Float32 45.7 ms ~22 37.3%

अपने स्वयं के बेंचमार्क चलाएं

import coremltools as ct
import numpy as np
import time

model = ct.models.MLModel("ResNet50_optimized.mlpackage", compute_units=ct.ComputeUnit.ALL)

# Warmup (first inference compiles the model for the Neural Engine)
from PIL import Image
dummy = Image.new("RGB", (224, 224))
for _ in range(10):
    model.predict({"image": dummy})

# Benchmark
latencies = []
for _ in range(1000):
    start = time.perf_counter()
    model.predict({"image": dummy})
    latencies.append((time.perf_counter() - start) * 1000)

latencies = np.array(latencies)
print(f"Mean latency:   {latencies.mean():.2f} ms")
print(f"Median latency: {np.median(latencies):.2f} ms")
print(f"P95 latency:    {np.percentile(latencies, 95):.2f} ms")
print(f"P99 latency:    {np.percentile(latencies, 99):.2f} ms")
print(f"Throughput:     {1000 / latencies.mean():.0f} images/sec")

मुख्य निष्कर्ष: Neural Engine के साथ CoreML समान हार्डवेयर पर PyTorch MPS की तुलना में 3-4 गुना बेहतर थ्रूपुट, और केवल-CPU इन्फ़रेंस की तुलना में 10-15 गुना बेहतर प्रदान करता है। int8 क्वांटाइज़्ड पथ सबसे उपयुक्त है -- अधिकांश मॉडलों के लिए 0.5% से कम सटीकता हानि के साथ सबसे तेज़ इन्फ़रेंस।

8. कई मॉडलों के साथ स्केलिंग

प्रोडक्शन डिप्लॉयमेंट के लिए अक्सर कई मॉडलों की सर्विंग या उच्च समवर्तीता को संभालने की आवश्यकता होती है। आप कई Mac Mini M4 इंस्टेंस में एक रिवर्स प्रॉक्सी और लोड बैलेंसर के रूप में nginx का उपयोग कर सकते हैं, या एक ही मशीन से कई मॉडल सर्व कर सकते हैं।

मल्टी-मॉडल सर्वर

# multi_model_server.py
import io
import time
import coremltools as ct
from fastapi import FastAPI, File, UploadFile, HTTPException
from PIL import Image

app = FastAPI(title="Multi-Model CoreML Server")

# Load multiple models at startup
models = {}

@app.on_event("startup")
async def load_models():
    print("Loading models...")
    models["resnet50"] = ct.models.MLModel(
        "ResNet50_optimized.mlpackage", compute_units=ct.ComputeUnit.ALL
    )
    models["yolov8"] = ct.models.MLModel(
        "YOLOv8n.mlpackage", compute_units=ct.ComputeUnit.ALL
    )
    models["efficientnet"] = ct.models.MLModel(
        "EfficientNetV2S.mlpackage", compute_units=ct.ComputeUnit.ALL
    )
    print(f"Loaded {len(models)} models: {list(models.keys())}")

@app.get("/models")
async def list_models():
    return {"models": list(models.keys())}

@app.post("/predict/{model_name}")
async def predict(model_name: str, image: UploadFile = File(...)):
    if model_name not in models:
        raise HTTPException(404, f"Model '{model_name}' not found. Available: {list(models.keys())}")

    image_data = Image.open(io.BytesIO(await image.read()))

    # Resize based on model requirements
    input_sizes = {"resnet50": (224, 224), "yolov8": (640, 640), "efficientnet": (384, 384)}
    image_data = image_data.resize(input_sizes.get(model_name, (224, 224)))

    start = time.perf_counter()
    result = models[model_name].predict({"image": image_data})
    latency = (time.perf_counter() - start) * 1000

    return {"model": model_name, "prediction": result, "latency_ms": round(latency, 2)}

# Run: uvicorn multi_model_server:app --host 0.0.0.0 --port 8000

कई Mac Mini में Nginx लोड बैलेंसर

# /etc/nginx/nginx.conf
# Install nginx: brew install nginx

upstream coreml_backend {
    # Round-robin across multiple Mac Mini M4 instances
    server 10.0.1.10:8000 weight=1;   # Mac Mini M4 #1
    server 10.0.1.11:8000 weight=1;   # Mac Mini M4 #2
    server 10.0.1.12:8000 weight=1;   # Mac Mini M4 #3

    # Health check: remove unhealthy backends
    keepalive 32;
}

server {
    listen 80;
    server_name api.yourdomain.com;

    # Rate limiting
    limit_req_zone $binary_remote_addr zone=api:10m rate=100r/s;

    location / {
        limit_req zone=api burst=50 nodelay;

        proxy_pass http://coreml_backend;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;

        # Timeout settings for ML inference
        proxy_connect_timeout 10s;
        proxy_send_timeout 30s;
        proxy_read_timeout 30s;

        # Enable keepalive to backend
        proxy_http_version 1.1;
        proxy_set_header Connection "";
    }

    location /health {
        proxy_pass http://coreml_backend;
        access_log off;
    }
}

# Test config and start
# nginx -t
# nginx

स्थानीय विकास के लिए Docker-Compose

# docker-compose.yml
# Note: CoreML requires macOS -- Docker containers run CPU-only inference
# For production, use launchd services directly on macOS

version: "3.8"
services:
  nginx:
    image: nginx:alpine
    ports:
      - "80:80"
    volumes:
      - ./nginx.conf:/etc/nginx/nginx.conf:ro
    depends_on:
      - coreml-api

  coreml-api:
    build: .
    ports:
      - "8000:8000"
    volumes:
      - ./models:/app/models
    environment:
      - MODEL_PATH=/app/models/ResNet50_optimized.mlpackage
      - WORKERS=2
    deploy:
      replicas: 2

9. मॉनिटरिंग और ऑब्ज़र्वेबिलिटी

प्रोडक्शन ML सिस्टम को इन्फ़रेंस लेटेंसी, थ्रूपुट, त्रुटि दर, और सिस्टम संसाधन उपयोग के लिए मॉनिटरिंग की आवश्यकता होती है। यहाँ बताया गया है कि अपने CoreML API को Prometheus मेट्रिक्स और सिस्टम-स्तरीय मॉनिटरिंग के साथ कैसे इंस्ट्रुमेंट करें।

FastAPI में Prometheus मेट्रिक्स जोड़ें

# pip install prometheus-client prometheus-fastapi-instrumentator

import io
import time
import coremltools as ct
from fastapi import FastAPI, File, UploadFile
from PIL import Image
from prometheus_client import Counter, Histogram, Gauge, generate_latest
from starlette.responses import Response

app = FastAPI(title="CoreML API with Monitoring")

# Prometheus metrics
PREDICTIONS_TOTAL = Counter(
    "coreml_predictions_total",
    "Total number of predictions",
    ["model", "status"]
)
PREDICTION_LATENCY = Histogram(
    "coreml_prediction_latency_seconds",
    "Prediction latency in seconds",
    ["model"],
    buckets=[0.001, 0.002, 0.005, 0.01, 0.025, 0.05, 0.1, 0.25, 0.5, 1.0]
)
MODEL_LOAD_TIME = Gauge(
    "coreml_model_load_time_seconds",
    "Time taken to load the model",
    ["model"]
)
ACTIVE_REQUESTS = Gauge(
    "coreml_active_requests",
    "Number of currently active requests"
)

# Load model with timing
load_start = time.perf_counter()
model = ct.models.MLModel("ResNet50_optimized.mlpackage", compute_units=ct.ComputeUnit.ALL)
MODEL_LOAD_TIME.labels(model="resnet50").set(time.perf_counter() - load_start)

@app.get("/metrics")
async def metrics():
    return Response(content=generate_latest(), media_type="text/plain")

@app.post("/predict")
async def predict(image: UploadFile = File(...)):
    ACTIVE_REQUESTS.inc()
    try:
        img = Image.open(io.BytesIO(await image.read())).resize((224, 224))

        start = time.perf_counter()
        result = model.predict({"image": img})
        latency = time.perf_counter() - start

        PREDICTION_LATENCY.labels(model="resnet50").observe(latency)
        PREDICTIONS_TOTAL.labels(model="resnet50", status="success").inc()

        return {"prediction": result, "latency_ms": round(latency * 1000, 2)}
    except Exception as e:
        PREDICTIONS_TOTAL.labels(model="resnet50", status="error").inc()
        raise
    finally:
        ACTIVE_REQUESTS.dec()

# Run: uvicorn monitored_server:app --host 0.0.0.0 --port 8000

Prometheus कॉन्फ़िगरेशन

# prometheus.yml
global:
  scrape_interval: 15s
  evaluation_interval: 15s

scrape_configs:
  - job_name: "coreml-api"
    static_configs:
      - targets:
        - "10.0.1.10:8000"   # Mac Mini #1
        - "10.0.1.11:8000"   # Mac Mini #2
        - "10.0.1.12:8000"   # Mac Mini #3
    metrics_path: /metrics
    scrape_interval: 5s

  - job_name: "node-exporter"
    static_configs:
      - targets:
        - "10.0.1.10:9100"
        - "10.0.1.11:9100"
        - "10.0.1.12:9100"

सिस्टम-स्तरीय मॉनिटरिंग स्क्रिप्ट

#!/bin/bash
# monitor_coreml.sh -- System health monitoring for CoreML inference servers
# Run with: ./monitor_coreml.sh

echo "=== CoreML Server Health Monitor ==="
echo "$(date)"
echo ""

# Memory usage (critical for CoreML model loading)
echo "--- Memory Usage ---"
vm_stat | head -10
echo ""
memory_pressure
echo ""

# CPU and GPU utilization
echo "--- CPU Usage ---"
top -l 1 -n 5 -stats pid,command,cpu,mem | head -10
echo ""

# GPU/Neural Engine power (indicates compute unit activity)
echo "--- GPU/Neural Engine Power ---"
sudo powermetrics --samplers gpu_power,ane_power -n 1 -i 2000 2>/dev/null | grep -E "(GPU|ANE|Neural)"
echo ""

# Disk usage (model files can be large)
echo "--- Disk Usage ---"
df -h / | tail -1
echo ""

# Network connections to API
echo "--- Active API Connections ---"
netstat -an | grep ":8000" | wc -l | xargs echo "Active connections on port 8000:"
echo ""

# API health check
echo "--- API Health Check ---"
curl -s -w "\nHTTP Status: %{http_code}\nResponse Time: %{time_total}s\n" \
  http://localhost:8000/health 2>/dev/null || echo "API is DOWN"

Grafana डैशबोर्ड क्वेरी

# Useful PromQL queries for your Grafana dashboard:

# Average prediction latency (last 5 minutes)
rate(coreml_prediction_latency_seconds_sum[5m]) / rate(coreml_prediction_latency_seconds_count[5m])

# Predictions per second
rate(coreml_predictions_total[1m])

# P99 latency
histogram_quantile(0.99, rate(coreml_prediction_latency_seconds_bucket[5m]))

# Error rate percentage
rate(coreml_predictions_total{status="error"}[5m]) / rate(coreml_predictions_total[5m]) * 100

# Active concurrent requests
coreml_active_requests

10. अक्सर पूछे जाने वाले प्रश्न

क्या मैं Xcode प्रोजेक्ट के बिना Python से CoreML का उपयोग कर सकता हूँ?

हाँ। coremltools Python पैकेज पूर्ण इन्फ़रेंस क्षमताएँ प्रदान करता है। आप .mlpackage मॉडल लोड कर सकते हैं और सीधे Python स्क्रिप्ट, Flask/FastAPI सर्वर, या Jupyter नोटबुक से प्रेडिक्शन चला सकते हैं। किसी Xcode, Swift, या Objective-C की आवश्यकता नहीं।

क्या CoreML वास्तव में Mac Mini M4 पर Neural Engine का उपयोग करता है?

हाँ, जब आप compute_units=ct.ComputeUnit.ALL सेट करते हैं, तो CoreML का कंपाइलर स्वचालित रूप से संगत ऑपरेशनों को Neural Engine पर रूट करता है। आप sudo powermetrics --samplers ane_power के साथ बिजली खपत की मॉनिटरिंग करके इसे सत्यापित कर सकते हैं -- आप इन्फ़रेंस के दौरान ANE (Apple Neural Engine) को बिजली खींचते हुए देखेंगे।

Mac Mini M4 पर CoreML के साथ किस प्रकार के मॉडल सबसे अच्छा काम करते हैं?

CoreML कॉन्वोल्यूशनल न्यूरल नेटवर्क (इमेज क्लासिफ़िकेशन, ऑब्जेक्ट डिटेक्शन, सेगमेंटेशन), ट्रांसफ़ॉर्मर मॉडल (NLP, विज़न ट्रांसफ़ॉर्मर), और मानक फ़ीडफ़ॉरवर्ड नेटवर्क में उत्कृष्ट है। Neural Engine कॉन्वोल्यूशन और मैट्रिक्स गुणन ऑपरेशनों वाले क्वांटाइज़्ड int8 मॉडलों के लिए विशेष रूप से प्रभावी है। ऐसे कस्टम ऑप्स जो Neural Engine पर मैप नहीं हो सकते, स्वचालित रूप से GPU या CPU पर फ़ॉलबैक हो जाते हैं।

CoreML की तुलना MPS (Metal) के साथ PyTorch चलाने से कैसे होती है?

CoreML इन्फ़रेंस के लिए आमतौर पर PyTorch MPS की तुलना में 2-4 गुना तेज़ होता है क्योंकि यह Neural Engine का उपयोग कर सकता है (जिस तक PyTorch पहुँच नहीं सकता) और कंपाइल समय पर हार्डवेयर-विशिष्ट ग्राफ़ ऑप्टिमाइज़ेशन लागू करता है। PyTorch MPS केवल Metal शेडर्स के ज़रिए GPU का उपयोग करता है। ट्रेनिंग वर्कलोड के लिए, PyTorch MPS बेहतर विकल्प है क्योंकि CoreML केवल-इन्फ़रेंस है।

क्या मैं बड़े लैंग्वेज मॉडल (LLM) को CoreML में कन्वर्ट कर सकता हूँ?

यह संभव है लेकिन हमेशा व्यावहारिक नहीं। CoreML ट्रांसफ़ॉर्मर आर्किटेक्चर का समर्थन करता है, और Apple ने CoreML पर Stable Diffusion और कुछ लैंग्वेज मॉडल चलाकर दिखाए हैं। हालाँकि, विशेष रूप से LLM के लिए, MLX, Ollama, और llama.cpp जैसे फ्रेमवर्क ऑटोरिग्रेसिव टेक्स्ट जनरेशन के लिए बेहतर ऑप्टिमाइज़्ड हैं। CoreML एनकोडर-ओनली मॉडलों (BERT, एम्बेडिंग) और विज़न मॉडलों के लिए उत्कृष्ट है।

एक CoreML मॉडल रनटाइम पर कितनी मेमोरी उपयोग करता है?

CoreML मॉडल लगभग उतनी ही मेमोरी उपयोग करते हैं जितना डिस्क पर उनका फ़ाइल आकार होता है, साथ ही मध्यवर्ती एक्टिवेशन और रनटाइम के लिए थोड़ा अतिरिक्त ओवरहेड। एक float16 ResNet50 लगभग 50MB उपयोग करता है, एक int8 संस्करण लगभग 25MB उपयोग करता है। M4 की 16GB यूनिफ़ाइड मेमोरी आराम से एक साथ 10+ ऑप्टिमाइज़्ड मॉडल, या EfficientNet या विज़न ट्रांसफ़ॉर्मर जैसे कुछ बड़े मॉडल सर्व कर सकती है।

क्या पहली-इन्फ़रेंस कंपाइलेशन में देरी होती है?

हाँ। जब एक CoreML मॉडल किसी दिए गए कंप्यूट इकाई कॉन्फ़िगरेशन पर पहली बार चलता है, तो सिस्टम एक ऑप्टिमाइज़्ड एक्ज़ीक्यूशन प्लान कंपाइल करता है। मॉडल की जटिलता के आधार पर इसमें 2-10 सेकंड लग सकते हैं। बाद के इन्फ़रेंस लगभग तत्काल होते हैं। प्रोडक्शन API के लिए, ट्रैफ़िक स्वीकार करने से पहले इस कंपाइलेशन लागत को अवशोषित करने के लिए स्टार्टअप पर हमेशा एक वार्मअप प्रेडिक्शन चलाएं।

संबंधित गाइड

समर्पित हार्डवेयर पर CoreML मॉडल डिप्लॉय करें

Neural Engine त्वरण के साथ एक समर्पित Mac Mini M4 प्राप्त करें। बिना किसी प्रति-अनुरोध लागत के सब-मिलीसेकंड लेटेंसी पर CoreML इन्फ़रेंस चलाएं। $85/माह से।

और जानकारी चाहिए?

चरण-दर-चरण सेटअप, कॉन्फ़िगरेशन संदर्भ और समस्या-निवारण के लिए संपूर्ण दस्तावेज़ देखें।

दस्तावेज़ खोलें →