What’s new in Create ML

Highlight

Create ML 是 Apple 的端侧机器学习训练工具，分为 App（点击式训练）、Framework（代码化训练）和底层 Components（可组合的模型构建块）三个层次。今年的更新覆盖了这三个层次。

核心内容

训练一个图像检测模型，部署后发现同一个咖啡杯被识别两次——一次标注在咖啡液面上，一次标注在杯体上。这种”重复检测”问题根因不在模型，而在标注数据本身。但过去在 Create ML App 里，你没有办法逐条检查标注是否符合预期。今年新增的 Explore 功能解决了这个问题：点击数据源，选择某个类标签，就能逐图看到标注框的位置和大小（03:12）。训练前先检查，避免”垃圾进、垃圾出”。

另一个重大更新是对象追踪（Object Tracking）。这是专门为 visionOS 设计的新模板，用于训练模型追踪真实物体的空间位置和朝向。训练数据只需要一个 3D 资产，Create ML 自动生成全部训练样本。演示场景中，一个真实地球仪被追踪后，App 在其周围叠加了月球轨道和地核可视化（04:14）。

在 Components 层面，今年新增了两个通用组件：时间序列分类和时间序列预测。分类回答”这段数据代表什么”（比如用手表加速度计识别手势），预测回答”接下来会发生什么”（比如预测销量）。两个组件都是通用型的，能处理加速度计、GPS、销售数据等各种时序数据。

详细内容

数据源 Explore 功能

Create ML App 中，选择左侧的数据源后会显示数据分布。新增的 Explore 选项让你钻入某个类标签，逐图可视化标注框。适用于图像分类、目标检测、手姿态分类等图像类模板（03:36）。

对象追踪模板

Create ML App 新增 Spatial 分类，其中的对象追踪模板用于训练追踪物体空间位置和朝向的模型。训练输入只需一个 3D 资产，App 自动生成训练所需数据。完整工作流请参考专门的视频 “Explore object tracking for visionOS”（05:01）。

时间序列预测：从数据准备到训练

Session 以一个餐车销量预测 App 为例，完整演示了 Create ML Components 的使用流程。

数据预处理——将逐笔交易汇总为每日销量：

// 创建 DateFeatureExtractor，提取月份和星期几特征
let featureExtractor = DateFeatureExtractor(
    featureComponents: [.month, .weekday]
)

// 组合 ColumnSelector 和 featureExtractor 为 pipeline
let pipeline = PipelineComposer()
    .compose(ColumnSelector("date"), featureExtractor)
    .append(ColumnConcatenator())

// 用 pipeline 拟合 DataFrame，得到预处理器
let preprocessor = pipeline.fit(dataFrame)

// 提取特征列和目标列为 MLShapedArray
let features = preprocessor.transform(dataFrame)["features"].typedValues()
let targets = dataFrame["quantity"].typedValues()

关键点：

DateFeatureExtractor 从日期列中提取 .month、.weekday 等特征组件，让模型学会周期性规律（09:08）
ColumnSelector 选取特定列，与 featureExtractor 组合成 pipeline
ColumnConcatenator 将多列特征合并为一个 MLShapedArray，作为模型输入
pipeline.fit() 返回的 preprocessor 可将原始 DataFrame 转换为模型需要的格式

模型训练与预测：

// 将数据分为训练集和验证集
let (training, validation) = data.split(ratio: 0.8)

// 创建时间序列预测器，配置历史窗口和预测窗口
let forecaster = TimeSeriesForecaster(
    inputWindowSize: 15,
    forecastWindowSize: 3
)

// 训练
let model = forecaster.fit(training)

// 预测未来 3 天的销量
let predictions = model.applied(input: recentData)