Instalación

Instalación

pip install libreyolo

# Sepáralos con comas para combinar varios en una sola instalación.pip install "libreyolo[rfdetr,onnx]"

pip install "libreyolo[all]"

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

Se requiere Python 3.10 o superior. La instalación base instala PyTorch, torchvision, NumPy, Pillow, OpenCV, PyYAML, requests, mss, tqdm, pycocotools, typer, click, safetensors y SciPy, de modo que YOLOv9 y las demás familias que no necesitan nada más funcionan directamente tras pip install libreyolo.

Un clon deja activa la rama release, la rama estable cuyo código coincide con esta documentación. La rama de integración, que contiene trabajo aún no publicado, es dev.

Extras opcionales

Un extra es un nombre entre corchetes que añade las dependencias que necesita una familia de modelos o un destino de exportación. Nada más cambia: la API es la misma con o sin el extra.

Familias de modelos

Exportación y runtimes

Entrenamiento, evaluación y logging

fast-eval es opcional en lugar de una dependencia obligatoria para que una plataforma sin wheel precompilada no pueda romper una instalación básica. Cuando el paquete no está presente, la evaluación COCO recurre a pycocotools y la ejecución continúa.

Herramientas

Las webcams, RTSP, RTMP, TCP, UDP, HLS y las listas locales multi-stream no necesitan ningún extra. Solo las URLs de páginas de YouTube lo necesitan.

El extra agregado

libreyolo[all] instala los extras de modelos, exportación, tracking y logging en un solo comando. Algunos quedan deliberadamente fuera. neptune se excluye porque la versión estable de neptune-scale requiere protobuf inferior a 7 mientras que la ruta de TFLite requiere protobuf 7. executorch se excluye porque ExecuTorch restringe con qué versión de PyTorch se empareja, y coreai porque coreai-torch fija PyTorch en 2.11.x y arrastraría todo el entorno a esa versión. fast-eval, hub-kernels, clip-convert y siglip2-convert también quedan fuera. Instala cualquiera de ellos por su nombre.

Restricciones de plataforma

Tres extras están acotados por plataforma mediante sus marcadores de dependencia, de modo que la instalación tiene éxito en todas partes y simplemente instala menos donde no existe una wheel.

sensenova omite bitsandbytes en macOS, donde no se publica ninguna wheel; el resto del extra se instala con normalidad.

Si el disco es la limitación, la mayor parte es PyTorch, y la mayor parte de PyTorch es la carga de CUDA que su wheel por defecto incluye. Una wheel solo de CPU la elimina sin renunciar a nada. Para detección con ONNX en una máquina que no debe llevar torch en absoluto, consulta la instalación ligera.

GPU y CUDA

La selección de dispositivo ocurre al construir el modelo. El valor por defecto, device="auto", usa CUDA cuando torch.cuda.is_available() es verdadero, después Metal Performance Shaders cuando torch.backends.mps.is_available() es verdadero, y CPU en caso contrario. Nada más en la librería inspecciona el hardware, así que si PyTorch no puede ver una GPU, LibreYOLO tampoco.

Para fijar el dispositivo, pasa device al modelo o a predict, train, val y export. Acepta "cpu", "cuda", "cuda:0", "mps", un entero simple como 0, o una cadena de dígitos como "0"; los dos últimos se expanden a cuda:<n>.

Empieza con libreyolo checks, que imprime la versión de Torch, las versiones de CUDA y cuDNN con las que se compiló Torch, y cada GPU visible con su memoria. Cuando informa de que no hay CUDA en una máquina que tiene una tarjeta NVIDIA, la wheel de PyTorch que pip resolvió es una build de CPU. Instala primero una build con CUDA desde el índice de PyTorch y después instala LibreYOLO:

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

Ese es el mismo índice que el repositorio fija para su propio entorno gestionado con uv en Linux y Windows. Necesita el driver de NVIDIA 555 o superior, que es el requisito del runtime de CUDA 12.8. macOS mantiene la wheel de PyPI, ya que el host de descargas de PyTorch no publica builds para Darwin.

Comprueba la instalación

# Python, Torch, CUDA, cuDNN, cada GPU visible y qué# paquetes opcionales están instalados.libreyolo checks

import libreyolo print(libreyolo.__version__)

# Cada familia registrada con sus tareas, tamaños y resoluciones# de entrada. Las familias cuyo extra falta se listan con el# comando pip que las habilita.libreyolo models

libreyolo models es la forma más rápida de ver si un extra surtió efecto: una familia cuya dependencia falta se imprime con el comando pip exacto que la habilita. Ambos comandos aceptan también --json, que imprime los mismos datos como un objeto legible por máquina en stdout.