با فریم ورک Core ML طیف گسترده ای از انواع مدل های یادگیری ماشین را در برنامه خود می توانید درست کنید. علاوه بر این، فریم ورک از یادگیری خیلی عمیق با 30 لایه و همچنین از مدل های استاندارد مانند ماشین های بردار پشتیبان و مدلهای خطی تعمیم یافته پشتیبانی می کند. CoreML با بهره گیری از CPU و GPU حداکثر کارایی را به توسعه دهندگان ارائه خواهد داد شما می توانید مدل های یادگیری ماشین را روی دستگاه بدون نیاز به دستگاه دیگر اجرا کنید. شما می توانید داده های بینایی ماشین مانند ردیابی چهره، تشخیص چهره، لندمارک، تشخیص متن، تشخیص بارکد، ردیابی هدف و انطباق تصویر همچنین مباحث مرتبط با تشخیص زبان طبیعی را، در اپلیکشن بسازید و پیاده سازی کنید. در واقع Core ML شما را در سه مسیر مهم همیاری می کند:

1- Core ML طیف گسترده ای از مدل ها یادگیری ماشین را پشتیبانی می کند. از شبکه های عصبی تا مدل های تعمیمی یافته خطی!

2- Core ML به سادگی مدلهای یادگیری ماشین اموزش داده شده را به اپلیکشن شما اضافه می کند. این از طریق Coremltools امکان پذیر است که یک بسته پایتون طراحی شده برای تولید فایل های mlmodel است.

3- Core ML به طور خودکار یک رابط برنامه نویسی برای مدل شما ارائه می دهد که این اجازه را می دهد به طور مستقیم روی مدلتان مانند یه فرد حرفه ای در Xcode کار کنید.

اپل چندین مدل آماده برای Core ML ارائه کرده است و می توان آنها را از سایت اپل دانلود کرد. این مدلهای ارائه شده به شرح زیر است:

1- SqueezeNet : تشخیص شی از تصویر که شامل 1000 دسته از نوع اشیا مانند درختان، حیوانات، اتومبیلها و غیره است. SqueezNet شبیه مدل AlexNet با 50 برابر کاهش پارامتر است.

2- Places205-GooLeNet: این مدل مرتبط با درک مفهومی از تصاویر است که شامل 205 دسته مانند پایانه فرودگا، جنگل، اتاق خواب و غیره است.

3- ResNet50: شناسایی اشیای غالب در تصویر که شامل 1000 دسته مانند مدل آموزش داده شده SqueezNet است.

4- Inception V3: شناسایی اشیای غالب در تصویر که شامل 1000 دسته مانند مدل آموزش داده شده ResNet50 است.

5- VGG16: مدل 16 لایه وزنی ارائه شده برای تشخیص اشیای غالب در 1000 دسته است.