CreateML

Dieser Create ML-Testbericht befasst sich mit den Funktionen des Modelltrainers von Apple, seinen wichtigsten Merkmalen, den Kosten, den Unterschieden zwischen der Create ML-App und dem Framework, dem Zusammenhang mit Core ML, den Stärken und Schwächen sowie dem Vergleich mit anderen Machine-Learning-Tools. Mit Create ML können Sie benutzerdefinierte Machine-Learning-Modelle auf Ihrem eigenen Computer anhand Ihrer eigenen Trainingsdaten trainieren. Der Vorgang ist kurz: Sie wählen eine Vorlage aus, fügen beschriftete Beispiele hinzu, klicken auf „Trainieren“, überprüfen die Validierungsgenauigkeit und exportieren eine Core-ML-Modelldatei, die Xcode in eine Swift-Klasse umwandelt. Sie müssen weder Algorithmen auswählen noch Trainingsschleifen schreiben; Create ML wählt eine Modellstruktur aus, die zur Aufgabe passt. Apple baut darauf auf der Machine-Learning-Infrastruktur auf, die hinter „Fotos“ und „Siri“ steht, sodass Bild- und Sprachmodelle klein bleiben und schnell trainiert werden können (Apple Developer Documentation).

Wofür wird Create ML verwendet?

Create ML wird von Entwicklern für iOS, iPadOS, macOS, watchOS und visionOS genutzt, um ihren Apps Vorhersagen auf dem Gerät hinzuzufügen, ohne Trainingscode schreiben zu müssen. Typische Beispiele sind das Erkennen von Produkt- oder Pflanzenbildern, die Objekterkennung mit Begrenzungsrahmen, die Klassifizierung von Support-Nachrichten oder Bewertungen anhand des Textes, das Markieren von Wörtern in einem Satz, das Erkennen von Geräuschen, das Erkennen von Körper- oder Handbewegungen in Videos, die Klassifizierung von Bewegungen anhand von Apple Watch-Sensoren sowie die Vorhersage von Werten aus tabellarischen Daten. Eine Rezept-App kann Gerichte anhand eines Fotos erkennen, eine Fitness-App kann Übungen anhand von Videos zählen und eine Notiz-App kann Text nach Themen sortieren. Textmodelle können zudem Stimmungsanalysen in mehreren Sprachen durchführen. Da das Modell über Core ML auf Apple-Geräten ausgeführt wird, funktionieren die Vorhersagen offline, reagieren mit nativer Geschwindigkeit und die Benutzerdaten verbleiben auf dem Gerät.

Wichtigste Funktionen

• Vorlagen für jede Aufgabe: Bildklassifizierung, Objekterkennung, Handhaltung, Aktions- und Handaktionsklassifizierung, Stilübertragung, Textklassifizierung, Worttagging, Klangkennzeichnung, Aktivitätsklassifizierung, tabellarische Klassifizierung, tabellarische Regression und Empfehlungen.
• Räumliche Modelle: Eine Vorlage zur Objektverfolgung trainiert Referenzobjekte für visionOS-Apps auf Apple Vision Pro, die 2024 (WWDC24) eingeführt wurde.
• Transferlernen: Die meisten Vorlagen basieren auf den vortrainierten Merkmalsextraktoren von Apple, sodass ein brauchbares Modell weitaus weniger Daten benötigt als ein von Grund auf neu trainiertes Modell. Apple empfiehlt mindestens 10 Bilder pro Kategorie für einen Bildklassifikator; dabei funktionieren vielfältigere Bilder besser (Apple).
• Datenaugmentierung: Schaltflächen für Drehung, Spiegelung, Unschärfe, Zuschneiden und Belichtung erzeugen spontan zusätzliche Trainingsbilder. Die Augmentierung kann die Trainingsgenauigkeit erhöhen, während die Validierungsgenauigkeit sinkt; vergleichen Sie daher beide Werte.
• Auswertung und Live-Vorschau: Trainings- und Validierungsgenauigkeit, eine Verwechslungsmatrix, die korrekte und falsche Vorhersagen pro Klasse anzeigt, der mittlere quadratische Fehler für die Regression sowie eine Vorschau-Registerkarte, auf der Sie neue Daten einfügen können, um Vorhersagen vor dem Export zu sehen. Eine große Lücke zwischen Trainings- und Validierungsgenauigkeit deutet auf Überanpassung hin.
• Trainingssteuerung: Anhalten, Fortsetzen und Vergleichen mehrerer Modelle in einem Projekt; das Framework fügt Checkpoints und Trainingssitzungen hinzu.
• Modell-Metadaten: Name des Autors, Beschreibung, Version und Lizenz werden im exportierten Modell gespeichert.
• Swift-Framework: Dieselben Modelle können im Code mit dem Create ML-Framework trainiert werden – für Skripte, Automatisierung und Training innerhalb einer App.

Preise für Create ML

Create ML ist kostenlos. Die Create ML-App ist im Lieferumfang von Xcode enthalten, das kostenlos im Mac App Store heruntergeladen werden kann, und das Framework ist Teil der SDKs von Apple. Es gibt kein Abonnement, keine Nutzungsmessung und keine Cloud-Rechnung: Das Training läuft auf Ihrem eigenen Mac, sodass die Kosten sich auf Ihre Hardware und Ihre Zeit beschränken. Um ein trainiertes Modell in eine App Store-App zu integrieren, benötigen Sie eine Mitgliedschaft im Apple Developer Program, für die Apple eine jährliche Gebühr für die Veröffentlichung erhebt – nicht für Create ML selbst. Eine mögliche Kostenüberraschung ist die Hardware: Große Bild- oder Videodatensätze lassen sich auf Apple Silicon viel schneller trainieren als auf einem älteren Intel-Mac, und es gibt keine Möglichkeit, Cloud-GPUs direkt aus Create ML heraus zu mieten.

Die Create ML-App im Vergleich zum Create ML-Framework

Die Create ML-App ist die „No-Code“-Option. Man öffnet sie in Xcode über „Open Developer Tool > Create ML“, wählt eine Vorlage aus, zieht Ordner mit Trainingsdaten hinein und klickt auf die Schaltfläche „Train“ (Hacking with Swift). Zum Importieren von Daten verwenden Bildmodelle einen Unterordner pro Klasse, Textklassifikatoren nehmen Ordner oder ein flaches JSON-Array entgegen, die Objekterkennung benötigt eine JSON-Datei mit einem Begrenzungsrahmen pro Objekt, und tabellarische Modelle lesen CSV- oder JSON-Dateien, wobei das Modell die Beziehungen zwischen den Spalten lernt. Wenn Sie keine Validierungsdaten hinzufügen, hält die „Create ML“-App automatisch etwa 20 % der Trainingsdaten zurück (Netguru). Nach Abschluss des Trainings werden die Metriken und eine Registerkarte „Output“ angezeigt, auf der Sie die „mlmodel“-Datei speichern können.

Das „Create ML“-Framework ist die Option für die Programmierung. In einem Swift-Playground oder einem macOS-Befehlszeilentool erstellen Sie eine Instanz wie „MLImageClassifier“ oder „MLRegressor“, übergeben eine „MLDataTable“ oder einen Ordner und lesen die Metriken über den Code aus (Apple Developer Documentation). Das Framework eignet sich für wiederholbare Pipelines und kontinuierliche Integration; die Create ML-App eignet sich zum Erkunden eines Datensatzes, zum visuellen Vergleichen von Modellen und für schnelles, einmaliges Training. Beide exportieren dieselbe Core ML-Modelldatei. Apple listet das Framework für macOS 10.14 und höher sowie für einige Modelltypen für iOS und iPadOS 15 und höher auf, sodass eine App ein Modell auf dem Gerät trainieren oder aktualisieren kann. Aktuelle Vorlagen erfordern eine aktuelle Xcode-Version auf einem aktuellen macOS; ein Leitfaden gibt als Mindestvoraussetzung macOS Ventura und Xcode 14 an (Netguru).

Create ML vs. Core ML

Create ML und Core ML erfüllen unterschiedliche Aufgaben. Create ML trainiert das Modell; Core ML führt es in Ihrer App aus (Core ML-Dokumentation). Wenn Sie die exportierte Datei zu einem Xcode-Projekt hinzufügen, generiert Xcode eine Swift-Klasse mit typisierten Ein- und Ausgängen, und Core ML entscheidet, ob das Core ML-Modell auf der CPU, der GPU oder der Neural Engine ausgeführt wird, um auf jedem Gerät die beste Leistung zu erzielen. Modelle, die anderswo trainiert wurden, zum Beispiel in PyTorch oder TensorFlow, gelangen über die Open-Source-Tools „Core ML Tools“ zu Core ML, die die Modelle in das Core-ML-Format konvertieren. So können Sie mit Create ML eine erste Version erstellen und später zu Ihrem eigenen Trainingscode wechseln, ohne die Art und Weise zu ändern, wie die App das Modell aufruft.

Wo Create ML glänzt – und wo es Schwächen zeigt

Stärken:

• Kostenlos, in Xcode integriert und für Swift-Entwickler schnell zu erlernen.
• Kleine Modelle, die offline laufen und Daten auf dem Gerät speichern.
• Gute Ergebnisse mit wenigen Daten dank Transferlernen.
• Deckt Bilder, Videos, Text, Ton, Bewegung, tabellarische Daten und räumliche Objekte ab.

Nachteile:

• Nur für Mac, und die Modelle sind über Core ML auf Apple-Plattformen ausgerichtet.
• Keine Kontrolle über die Modellarchitektur über einige wenige Parameter hinaus.
• Kein Cloud-Training, keine Teamfunktionen, keine Feedbackschleifen und keine Experimentverfolgung über ein Projekt hinaus.
• Nicht für große Sprachmodelle oder generative KI ausgelegt.

Wie sich Create ML im Vergleich schlägt

• Teachable Machine: Googles kostenloses Browser-Tool für schnelle Bild-, Ton- und Posenmodelle, die für das Web und TensorFlow exportiert werden können.
• Obviously AI: No-Code-Vorhersagen zu Geschäftsdaten in der Cloud, eher für Analysten als für App-Entwickler gedacht.
• DataRobot: AutoML für Unternehmen und Modellbetrieb für Data-Science-Teams.
• H2O.ai: Open-Source- und Unternehmens-AutoML für tabellarische Daten in großem Maßstab.
• Dataiku: Eine kollaborative Plattform für Datenaufbereitung, maschinelles Lernen und Bereitstellung unternehmensweit.

Lohnt sich Create ML?

Create ML lohnt sich für Apple-Entwickler, die ein individuelles Bild-, Text-, Ton- oder tabellarisches Modell in ihrer App nutzen möchten, ohne sich in ein Trainings-Framework einarbeiten zu müssen. Es ist kostenlos, lässt sich schnell ausprobieren und erzeugt Modelle, die schnell und privat auf dem Gerät laufen. Für Teams, die plattformübergreifende Modelle, Cloud-Training, volle Kontrolle über das Netzwerk oder generative KI benötigen, ist es weniger nützlich; diese Teams verwenden PyTorch oder TensorFlow und konvertieren das Ergebnis für Core ML. Wenn Sie Hilfe beim Erstellen eines Modells oder beim Hinzufügen von Machine-Learning-Funktionen zu einer iOS-App benötigen, können die Entwickler bei LowCodeDevs dies übernehmen.

Quellen

• Create ML, Apple-Entwicklerdokumentation: Modelltypen, Framework-Klassen und Plattformen.
• Core ML, Apple-Entwicklerdokumentation: Ausführen von Modellen in Apps.
• Vorstellung der Create ML-App, WWDC19: Der App-Workflow.
• Neuerungen in Create ML, WWDC24: Objektverfolgung für visionOS und Zeitreihen-APIs.
• Ein Modell mit Create ML trainieren, „Hacking with Swift“: Ein Schritt-für-Schritt-Beispiel zur tabellarischen Regression.
• Create ML-Leitfaden, Netguru: App vs. Framework, Datenformate und Datenanreicherung.