Schlanke Installation

Funktionsweise

pip install --no-deps libreyolo installiert das Paket und überspringt seine Abhängigkeitsliste vollständig. Es wird nichts für dich aufgelöst, und du bist selbst für die Installation der tatsächlich verwendeten Pakete verantwortlich.

Das ist nur dann sinnvoll, wenn der gewünschte Codepfad die übersprungenen Abhängigkeiten wirklich nicht benötigt. Bei der ONNX-Erkennung ist dies der Fall. Die Decodierung einschließlich Non-Maximum Suppression verwendet numpy. Auch die Vorverarbeitungsrezepte verwenden numpy. PyTorch ist eine Abhängigkeit für Training und Eager-Inferenz und wird in diesem Pfad nie aufgerufen.

Vor diesem Release scheiterte bereits der Import. Jeder Import unter libreyolo.models erstellte alle Modellklassen, um das Register für die automatische Checkpoint-Erkennung zu füllen. Diese Klassen sind Unterklassen von torch.nn.Module. Die Vorverarbeitungsrezepte befinden sich jetzt in einem eigenen Paket namens libreyolo.preprocess. Der torch-Import wird verzögert, bis ein torch-Attribut verwendet wird. Dadurch lässt sich der ONNX-Pfad ohne torch auf dem Rechner importieren. Das Paket enthält einen nativen numpy-Preprocessor pro Familie: yolo9, yolonas, yolox, ec, rtdetr, rfdetr, dfine, deim und deimv2. Das sind zwei mehr als die sieben nachfolgend vollständig geprüften Familien. Jede Datei libreyolo/models/<family>/utils.py exportiert die Funktionen erneut, damit bestehende Importpfade weiter funktionieren.

CPU-Wheel als erste Wahl

Die meisten Nutzer dieses Verfahrens möchten eine mehrere Gigabyte große Installation vermeiden. Fast der gesamte Umfang entsteht an einer Stelle: Das normale torch-Wheel enthält CUDA. Ein reiner CPU-Build ist deutlich kleiner und benötigt keinen besonderen Installationspfad.

# Paket ohne Abhängigkeitsliste installieren, danach die vier Pakete,# die der ONNX-Erkennungspfad tatsächlich importiert.pip install --no-deps libreyolopip install numpy pillow opencv-python-headless onnxruntime

# Probiere dies zuerst. Es behält alle Funktionen bei und vermeidet das# CUDA-Wheel, das den größten Teil des Speicherplatzes benötigt.pip install libreyolo --index-url https://download.pytorch.org/whl/cpu

Die CPU-Option behält jede LibreYOLO-Funktion bei: Training, Validierung, alle Aufgaben, alle Familien und die CLI. Verwende den schlanken Pfad, wenn auf dem Rechner überhaupt kein torch vorhanden sein soll, und nicht nur eine kleinere Variante.

Umfang der schlanken Installation

Sieben Familien wurden mit diesem Pfad geprüft: YOLOv9, YOLO-NAS, EdgeCrafter, RT-DETR, RF-DETR, D-FINE und DEIM, jeweils einschließlich der Varianten einer Familie.

Dies ist der geprüfte Umfang und keine von der Bibliothek erzwungene Grenze. Andere Aufgaben und Familien wurden lediglich nicht getestet. Einige laden beim Aufruf torch, andere funktionieren möglicherweise. Betrachte alles außerhalb dieser Liste als ungetestet und nicht als unterstützt oder defekt.

Innerhalb des Umfangs sind die Ergebnisse nicht nur ähnlich, sondern identisch mit der normalen Installation. Jede Familie wurde nach ONNX exportiert und zweimal ausgeführt, einmal normal und einmal mit blockiertem torch. Boxen, Scores und Klassen stimmten exakt überein. Ein Paritätstest in der Testsuite schützt diesen Vertrag vor unbeabsichtigten Änderungen.

Fünf häufige Fallstricke

Verwende OnnxBackend und nicht die Modellklassen. LibreYOLO9("model.onnx") benötigt weiterhin torch, weil LibreYOLO9 selbst eine Unterklasse von nn.Module ist. Dieser Fehler ist besonders naheliegend, da jede andere Seite dieser Dokumentation ein Modell über seine Klasse oder über LibreYOLO() lädt.

Exportiere auf einem anderen Rechner. Zum Erzeugen der .onnx-Datei wird torch benötigt. Der schlanke Rechner kann sie daher nicht erstellen. Exportiere das Artefakt auf einem Entwicklungs- oder CI-Rechner und übertrage es anschließend auf das schlanke Zielsystem.

Results enthalten numpy-Arrays. result.boxes.xyxy ist hier ein ndarray. Die Container akzeptieren beide Typen, sodass die Attributnamen gleich bleiben. Code, der .cpu() oder .numpy() für ein Ergebnis aufruft, schlägt jedoch fehl.

Ein einzelnes Bild gibt ein einzelnes Results zurück. predict() gibt für ein Bild ein Results-Objekt und für mehrere Bilder eine Liste zurück. Die Indizierung eines einzelnen Ergebnisses mit [0] wählt die erste Erkennung und nicht das erste Bild. Dadurch entsteht unbemerkt ein Ergebnis mit einer Box, statt dass ein Fehler ausgelöst wird.

Die CLI funktioniert nicht. typer und click gehören nicht zu den vier Paketen. Der Befehl libreyolo ist daher nicht verfügbar. Dies ist eine Bibliotheksinstallation.

Vorhersage

from libreyolo.backends.onnx import OnnxBackend model = OnnxBackend("libreyolo9t.onnx")result = model.predict("https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg") # xyxy ist hier ein numpy-ndarray und kein torch-Tensor.print(result.boxes.xyxy)print(result.boxes.conf)print(result.boxes.cls)

Ersetze onnxruntime durch onnxruntime-gpu, um CUDA zu verwenden. Die vier Pakete sind genau diejenigen, die ein vollständiger torch-freier Aufruf von predict() tatsächlich importiert. Sie wurden während des Aufrufs erfasst und nicht nur theoretisch abgeleitet. opencv-python-headless ersetzt das deklarierte opencv-python: dasselbe Modul, aber ohne GUI-Bibliotheken und mit geringerem Speicherbedarf.

Von den übrigen deklarierten Abhängigkeiten wird requests nur zum Laden eines Bilds von einer URL benötigt. pycocotools und scipy dienen der Validierung und Evaluierung, typer und click der CLI.

Absichtliche Veränderlichkeit der Liste

Die obige Paketliste gilt für das am Anfang dieser Seite genannte Release. Mit --no-deps verzichtest du auf die Abhängigkeitsauflösung. Nichts prüft die Liste für dich, und ein späteres Release kann ein hier nicht genanntes Paket importieren.

Wenn ein ModuleNotFoundError auftritt, kennst du bereits das Verfahren: Installiere das fehlende Paket. Dies ist das vorgesehene Wartungsmodell und kein Fehlerbericht. Der Pfad wird nach Best Effort unterstützt und ist keine eigene Distribution. Deshalb gibt es weder ein zweites schlankes Paket auf PyPI noch Pläne dafür.

Prüfe explizit, ob deine Umgebung wirklich torch-frei ist und nicht unbemerkt auf eine installierte Kopie zurückgreift:

import importlib.util

assert importlib.util.find_spec("torch") is None, "torch is installed"

Diese Prüfung sollte im CI-System des schlanken Images erhalten bleiben. Ohne sie besteht eine Umgebung mit zufällig vorhandenem torch jeden Test, ohne dir etwas über den torch-freien Pfad zu sagen.