Instalación ligera

Por qué funciona

pip install --no-deps libreyolo instala el paquete y se salta por completo su lista de dependencias. No se resuelve nada por ti, y pasas a ser responsable de instalar lo que realmente uses.

Eso solo sirve si la ruta de código que quieres de verdad no necesita las dependencias que te has saltado, y en el caso de la detección ONNX no las necesita. El decode, incluida la non-maximum suppression, es numpy. Las recetas de preprocesado son numpy. PyTorch es una dependencia de entrenamiento e inferencia eager, y en esta ruta nunca se llama.

Antes de esta versión la importación fallaba de todas formas: importar cualquier cosa bajo libreyolo.models construía todas las clases de modelo para poblar el registro de autodetección de checkpoints, y esas clases son subclases de torch.nn.Module. Las recetas de preprocesado viven ahora en su propio paquete, libreyolo.preprocess, y la importación de torch se aplaza hasta que algo toca un atributo de torch, así que la ruta ONNX se importa con torch ausente de la máquina. Ese paquete contiene un preprocesador nativo de numpy por familia: yolo9, yolonas, yolox, ec, rtdetr, rfdetr, dfine, deim y deimv2, dos más que las siete familias verificadas de principio a fin más abajo. Cada libreyolo/models/<family>/utils.py reexporta desde él, así que las rutas de importación existentes siguen funcionando.

Prueba primero el wheel solo para CPU

La mayoría de quienes piden esto quieren evitar una instalación de varios gigabytes, y el tamaño se concentra en un solo sitio: el wheel de torch por defecto incluye CUDA. Una compilación solo para CPU es una fracción de eso y no necesita ninguna ruta de instalación especial.

# Instala el paquete sin su lista de dependencias y aporta después# los cuatro paquetes que la ruta de detección ONNX importa de verdad.pip install --no-deps libreyolopip install numpy pillow opencv-python-headless onnxruntime

# Prueba esto primero. Conserva todas las funcionalidades y evita el# wheel de CUDA, que es donde se va la mayor parte del disco.pip install libreyolo --index-url https://download.pytorch.org/whl/cpu

La opción solo para CPU conserva todas las funcionalidades de LibreYOLO: el entrenamiento, la validación, todas las tareas, todas las familias, la CLI. Elige la ruta ligera cuando quieras cero torch en la máquina, no simplemente menos torch.

Qué cubre la instalación ligera

Se verificaron siete familias en esta ruta: YOLOv9, YOLO-NAS, EdgeCrafter, RT-DETR, RF-DETR, D-FINE y DEIM, contando con ellas las variantes de cada familia.

Ese es el alcance verificado, no un límite que la biblioteca imponga. Otras tareas y otras familias simplemente quedan fuera de lo que se comprobó: algunas tirarán de torch cuando las llames, y unas pocas puede que funcionen por casualidad. Trata todo lo que quede fuera de esta lista como no probado, no como soportado ni como roto.

Dentro de ella, los resultados son idénticos a los de la instalación normal, no solo parecidos. Cada familia se exportó a ONNX y se ejecutó dos veces, una normalmente y otra con torch bloqueado; los bounding boxes, las puntuaciones y las clases coincidieron exactamente. Un test de paridad en la suite evita que ese contrato se desvíe.

Las cinco cosas en las que suele tropezar la gente

Usa OnnxBackend, no las clases de modelo. LibreYOLO9("model.onnx") sigue requiriendo torch, porque LibreYOLO9 es en sí misma una subclase de nn.Module. Este es el error más probable, ya que todas las demás páginas de esta documentación cargan un modelo a través de su clase o de LibreYOLO().

Exporta en otro sitio. Producir el fichero .onnx requiere torch, así que la máquina ligera no puede crear uno. Exporta en una máquina de desarrollo o de CI y envía el artefacto al destino reducido.

Los resultados llevan arrays de numpy. Aquí result.boxes.xyxy es un ndarray. Los contenedores aceptan cualquiera de los dos tipos, así que los nombres de los atributos no cambian, pero el código que llame a .cpu() o .numpy() sobre un resultado fallará.

Una sola imagen devuelve un solo Results. predict() devuelve un Results para una imagen y una lista para varias. Indexar un resultado único con [0] selecciona la primera detección, no la primera imagen, lo que te da en silencio un resultado de un solo box en lugar de lanzar un error.

La CLI no funcionará. typer y click no están entre los cuatro paquetes, así que el comando libreyolo no está disponible. Esto es una instalación de biblioteca.

Predicción

from libreyolo.backends.onnx import OnnxBackend model = OnnxBackend("libreyolo9t.onnx")result = model.predict("https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg") # Aquí xyxy es un ndarray de numpy, no un tensor de torch.print(result.boxes.xyxy)print(result.boxes.conf)print(result.boxes.cls)

Cambia onnxruntime por onnxruntime-gpu para ejecutar en CUDA. Los cuatro paquetes son los que un predict() completo sin torch importa realmente, registrados durante la llamada en lugar de deducidos sobre el papel. opencv-python-headless sustituye al opencv-python declarado: el mismo módulo, sin bibliotecas de GUI, más pequeño en disco.

Del resto de dependencias declaradas, requests solo hace falta para cargar una imagen desde una URL, pycocotools y scipy son validación y evaluación, y typer y click son la CLI.

Esta lista se quedará desfasada, por diseño

La lista de paquetes de arriba es correcta para la versión indicada al principio de esta página. --no-deps te saca de la resolución de dependencias, así que nada lo comprueba por ti, y una versión posterior puede importar algo que no esté listado aquí.

Si te encuentras con un ModuleNotFoundError, ya entiendes la técnica: instala el paquete que falte. Ese es el modelo de mantenimiento previsto, no un motivo para abrir un informe de error. Esta ruta es best effort y no es una distribución soportada por separado, que es también la razón de que no haya un segundo paquete ligero en PyPI ni planes de crearlo.

Para confirmar que tu entorno está realmente libre de torch y no recurriendo en silencio a una copia instalada, compruébalo con un assert:

import importlib.util

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

Merece la pena mantener esa comprobación en CI para la imagen reducida. Sin ella, un entorno que resulte tener torch pasará todos los tests y no te dirá nada.