LibreYOLO en CVPR 2026: inferencia edge con Hailo-8L y Snapdragon
LibreYOLO estuvo presente en CVPR 2026.
CVPR está ampliamente reconocida como la conferencia de visión artificial más prestigiosa del mundo. Este año se celebró en Denver, donde un equipo de Jabra y la IT University of Copenhagen impartió un tutorial llamado «Edge AI in Action: Mastering On-Device Inference». Eligieron LibreYOLOXs como modelo de ejemplo para llevar la detección de objetos a chips edge.
Qué desarrollaron
El tutorial recorrió el flujo completo de edge de principio a fin. Primero, un modelo LibreYOLOXs. Después, su exportación a ONNX. Por último, la compilación de ese ONNX para dos tipos de hardware muy distintos: un acelerador Hailo-8L y Qualcomm Snapdragon.
Tiempo real en Hailo-8L
Compilaron el ONNX a HEF con Hailo Dataflow Compiler y después lo ejecutaron en una Raspberry Pi 5 con Hailo-8L AI HAT.
Se ejecutó a 19.0 ms por frame, 52.6 FPS, en una Raspberry Pi.
Tiempo real en Snapdragon
En el lado de Qualcomm, cuantizaron LibreYOLOXs a INT8 y lo ejecutaron con la pila SNPE, QAIRT y AI Hub; las pruebas se realizaron en un QCS6490.
El resultado fue de 6.69 ms en el HTP/DSP.
Gracias
Muchas gracias a Sai Narsi Reddy Donthi Reddy, Fabricio Batista Narcizo, Elizabete Munzlingera y Shan Ahmed Shaffi por presentar el proyecto.
- Tutorial y diapositivas: Edge AI in Action: Mastering On-Device Inference
- Modelos LibreYOLOXs cuantizados para Qualcomm: en Hugging Face
Pruébalo
pip install libreyolo
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLOXs.pt")
model.export(format="onnx") # then compile for your edge target
LibreYOLO tiene licencia MIT, funciona en Linux, Mac y Windows, y se ejecuta en GPU, Apple Silicon y CPU sin cambiar el código. Una sola API abarca YOLOX, RF-DETR, D-FINE, DEIM, YOLO-NAS, segmentación, pose, profundidad y más.
Dale una estrella en GitHub: github.com/LibreYOLO/libreyolo | Documentación: libreyolo.com/docs