Installation

LibreYOLO wird auf PyPI als libreyolo veröffentlicht. Das Basispaket deckt Vorhersage, Training, Validierung und alle Modellfamilien ab, die außer PyTorch nichts benötigen. Optionale Extras ergänzen die übrigen Funktionen.

Paket: libreyolo
Python: 3.10 oder neuer
Code-Lizenz: MIT
Kernabhängigkeit: PyTorch 2.4 oder neuer

Installation

pip

pip install libreyolo

Mit Extras

# Mehrere Extras durch Kommas getrennt gemeinsam installieren.pip install "libreyolo[rfdetr,onnx]"

Alles

pip install "libreyolo[all]"

Aus dem Quellcode

git clone https://github.com/LibreYOLO/libreyolo.gitcd libreyolopip install -e .

Python 3.10 oder neuer ist erforderlich. Die Basisinstallation lädt PyTorch, torchvision, NumPy, Pillow, OpenCV, PyYAML, requests, mss, tqdm, pycocotools, typer, click, safetensors und SciPy. YOLOv9 und andere Familien ohne weitere Abhängigkeiten funktionieren daher direkt nach pip install libreyolo.

Ein geklontes Repository verwendet release, den stabilen Branch, dessen Code dieser Dokumentation entspricht. Der Integrations-Branch für unveröffentlichte Arbeit heißt dev.

Optionale Extras

Ein Extra ist ein Name in eckigen Klammern, der die für eine Modellfamilie oder ein Exportziel benötigten Abhängigkeiten ergänzt. Sonst ändert sich nichts. Die API bleibt mit und ohne Extra gleich.

Modellfamilien

Extra	Ergänzt
`rfdetr`	`transformers`, das das RF-DETR-Backbone bereitstellt
`eomt`	`transformers`
`midas`	`timm` 1.0.x, das die ViT-L/16- und EfficientNet-Lite3-Encoder von MiDaS bereitstellt
`vlm`	`transformers`, `num2words`, `decord`, `lmdb`, `peft`
`sam`	`transformers`, `timm`
`openvocab`	`transformers`, `timm`, `regex`, `ftfy`
`sensenova`	`transformers`, `accelerate` und außerhalb von macOS `bitsandbytes`
`modus`	`transformers`, `accelerate`
`clip`	`regex` und `ftfy`, benötigt vom mitgelieferten CLIP-Text-Tokenizer
`siglip2`	`sentencepiece`, benötigt vom mehrsprachigen SigLIP-2-Tokenizer
`gaze`	`gdown`, das den automatischen Download des L2CS-Checkpoints aktiviert
`rtdetr`	Nichts. RT-DETR benötigt keine zusätzliche Abhängigkeit; der Name bleibt stabil

Export und Runtimes

Extra	Ergänzt
`onnx`	`onnx`, `onnxsim`, `onnxruntime`
`tensorrt`	`tensorrt-cu12` 10.16.1.11 und `pycuda`, außerhalb von macOS
`openvino`	`openvino`
`coreml`	`coremltools`
`coreai`	`coreai-torch`, nur macOS
`tflite`, Alias `litert`	`libreyolo[onnx]` sowie `onnx2tf`, `ai-edge-litert`, `onnx-graphsurgeon` und `onnx-simplifier`
`mnn`	`libreyolo[onnx]` sowie `MNN`
`ncnn`	`pnnx` und `ncnn`
`paddle`	`libreyolo[onnx]` sowie `paddlepaddle` 2.6.2 und `x2paddle` 1.6.0
`executorch`	`executorch`
`triton`	`tritonclient[http]` für HTTP- und HTTPS-V2-Inferenz

Training, Evaluierung und Logging

Extra	Ergänzt
`lora`	`libreyolo[rfdetr]` sowie `peft` für Fine-Tuning mit `lora=True`
`plots`	`matplotlib`
`fast-eval`	`faster-coco-eval`, das C++-Backend für die COCO-Evaluierung
`tensorboard`	`tensorboard`
`mlflow`	`mlflow`
`wandb`	`wandb`
`comet`	`comet-ml`
`clearml`	`clearml`
`neptune`	`neptune-scale`
`dvclive`, Alias `dvc`	`dvclive`

fast-eval ist optional und keine feste Abhängigkeit. Dadurch kann eine Plattform ohne vorgefertigtes Wheel die einfache Installation nicht verhindern. Wenn das Paket fehlt, fällt die COCO-Evaluierung auf pycocotools zurück und der Lauf wird fortgesetzt.

Werkzeuge

Extra	Ergänzt
`stream`	`yt-dlp`, nur zum Auflösen von YouTube-Seiten-URLs erforderlich
`tracking`	Nichts. Jede Tracking-Abhängigkeit ist bereits eine Kernabhängigkeit
`label`	`libreyolo[sam]`, das die Unterstützung von Klick-zu-Maske in `libreyolo label` aktiviert
`hub-kernels`	`kernels`, den optionalen Loader für kompilierte Hub-Kernel. Siehe Kernel. Dessen Installation kann RF-DETR-Vorhersagen innerhalb der Float-Toleranz verschieben
`clip-convert`	`libreyolo[clip]` sowie `open_clip_torch` für Gewichtskonvertierung und Paritätsprüfungen
`siglip2-convert`	`libreyolo[siglip2]` sowie `transformers` aus demselben Grund

Webcams, RTSP, RTMP, TCP, UDP, HLS und lokale Listen mit mehreren Streams benötigen kein Extra. Nur YouTube-Seiten-URLs tun dies.

Das Sammel-Extra

libreyolo[all] installiert die Modell-, Export-, Tracking- und Logging-Extras mit einem Befehl. Einige sind absichtlich ausgeschlossen. neptune fehlt, weil die stabile Version von neptune-scale protobuf unter Version 7 erfordert, während der TFLite-Pfad protobuf 7 benötigt. executorch fehlt, weil ExecuTorch die kompatible PyTorch-Version einschränkt. coreai fehlt, weil coreai-torch PyTorch auf 2.11.x festlegt und dadurch die gesamte Umgebung auf diese Version umstellen würde. Auch fast-eval, hub-kernels, clip-convert und siglip2-convert sind ausgeschlossen. Installiere diese Extras bei Bedarf einzeln.

Plattformeinschränkungen

Drei Extras sind über Abhängigkeitsmarker auf Plattformen beschränkt. Die Installation gelingt daher überall und installiert lediglich weniger, wo kein Wheel existiert.

Extra	Einschränkung
`coreai`	Nur macOS. Die Core-AI-Toolchain kann auf anderen Plattformen weder konvertieren noch ausführen
`tensorrt`	Wird unter macOS ohne CUDA übersprungen
`tflite`, `litert`	`onnx2tf` und `ai-edge-litert` benötigen Python 3.12 oder neuer

sensenova überspringt bitsandbytes unter macOS, wo kein Wheel veröffentlicht wird. Der Rest des Extras wird normal installiert.

Wenn der Speicherplatz knapp ist, verursacht PyTorch den größten Teil des Bedarfs, insbesondere durch die im Standard-Wheel enthaltene CUDA-Payload. Ein reines CPU-Wheel entfernt sie ohne Funktionsverlust. Für ONNX-Erkennung auf einem Rechner ganz ohne torch siehe die schlanke Installation.

GPU und CUDA

Das Gerät wird beim Erstellen eines Modells ausgewählt. Der Standardwert device="auto" verwendet CUDA, wenn torch.cuda.is_available() wahr ist, anschließend Metal Performance Shaders, wenn torch.backends.mps.is_available() wahr ist, und andernfalls die CPU. Kein anderer Teil der Bibliothek prüft die Hardware. Wenn PyTorch eine GPU nicht erkennt, kann LibreYOLO sie ebenfalls nicht sehen.

Um das Gerät festzulegen, übergib device an das Modell oder an predict, train, val und export. Akzeptiert werden "cpu", "cuda", "cuda:0", "mps", eine einfache Ganzzahl wie 0 oder ein Ziffernstring wie "0". Die beiden letzten Formen werden zu cuda:<n> erweitert.

Beginne mit libreyolo checks. Der Befehl gibt die Torch-Version, die CUDA- und cuDNN-Versionen, für die Torch erstellt wurde, sowie jede sichtbare GPU mit ihrem Speicher aus. Wenn auf einem Rechner mit NVIDIA-Karte kein CUDA gemeldet wird, hat pip ein CPU-Wheel von PyTorch aufgelöst. Installiere zuerst einen CUDA-Build aus dem PyTorch-Index und anschließend LibreYOLO:

bash

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128
pip install libreyolo

Dies ist derselbe Index, den das Repository für seine von uv verwaltete Umgebung unter Linux und Windows festlegt. Er benötigt NVIDIA-Treiber 555 oder neuer, wie von der CUDA-12.8-Runtime verlangt. macOS verwendet weiterhin das PyPI-Wheel, da der PyTorch-Downloadhost keine Darwin-Builds bereitstellt.

Installation prüfen

CLI

# Python, Torch, CUDA, cuDNN, jede sichtbare GPU und die# installierten optionalen Pakete.libreyolo checks

Python

import libreyolo print(libreyolo.__version__)

Modellinventar

# Alle registrierten Familien mit Aufgaben, Größen und Eingabe-# auflösungen. Bei fehlendem Extra wird der passende pip-Befehl gezeigt.libreyolo models

Mit libreyolo models erkennst du am schnellsten, ob ein Extra aktiv ist. Eine Familie mit fehlender Abhängigkeit wird zusammen mit dem genauen pip-Befehl ausgegeben, der sie aktiviert. Beide Befehle akzeptieren außerdem --json und geben damit dieselben Daten als maschinenlesbares Objekt auf stdout aus.