OpenVINO

OpenVINO IR est le format de runtime d'Intel, un graphe model.xml à côté d'un blob de poids model.bin. LibreYOLO exporte un ONNX intermédiaire, le convertit avec ov.convert_model, et écrit un metadata.yaml dans le même répertoire.

Flag: export(format="openvino")
Écrit: Un répertoire contenant model.xml, model.bin et metadata.yaml
Extra: pip install "libreyolo[onnx,openvino]"
Se recharge avec: LibreYOLO("weights/LibreYOLO9t_openvino")
Formes: Suit l'ONNX intermédiaire : batch dynamique quand dynamic=True
Précision: FP32, compression des poids en FP16 (half=True), INT8 via NNCF (int8=True avec data=)

Installation

# L'IR est converti depuis un ONNX intermédiaire : les deux extras sont requis.pip install "libreyolo[onnx,openvino]"

INT8 nécessite en plus NNCF

pip install nncf

La conversion passe par un ONNX intermédiaire, donc l'extra onnx fait partie du prérequis plutôt que d'un compagnon optionnel. NNCF s'installe à part et n'est nécessaire que pour int8=True.

Export

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Écrit le répertoire weights/LibreYOLO9t_openvinopath = model.export(format="openvino")print(path)

CLI

libreyolo export --model LibreYOLO9t.pt --format openvino

Arguments

model.export(    format="openvino",    imgsz=640,    batch=1,    dynamic=False,    # True garde un axe de batch dynamique dans l'IR    half=False,       # True stocke des poids FP16    int8=False,       # True lance la quantification post-training NNCF    data=None,        # requis quand int8=True    output_path=None, # None écrit weights/<stem>_openvino)

L'artefact est un répertoire, pas un fichier. weights/LibreYOLO9t_openvino contient model.xml, model.bin et metadata.yaml, et _fp16 est inséré avant le suffixe quand half=True. Déplacez ou copiez le répertoire entier ; les trois fichiers ne font qu'un seul artefact.

half=True active compress_to_fp16 à l'enregistrement. C'est une compression des poids dans l'IR, pas un changement de la précision d'inférence que le device choisit à l'exécution.

INT8

INT8 avec des données de calibration

from libreyolo import LibreYOLO LibreYOLO("LibreYOLO9t.pt").export(    format="openvino",    int8=True,    data="coco128.yaml",   # requis : aucun défaut pour ce format    fraction=1.0,)

int8=True lance la quantification post-training de NNCF sur un loader de calibration LibreYOLO avec le preset mixed, et data est obligatoire : ce format n'a pas de repli sur huit images. Un NNCF absent lève une ImportError qui nomme la commande d'installation.

Exécuter l'artefact

Via LibreYOLO

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreYOLO9t_openvino")result = model.predict(SAMPLE_IMAGE)print(result.boxes.xyxy[:3])

Choisir le device

from libreyolo import LibreYOLO # "auto" et "cpu" pointent vers CPU, "gpu" et "cuda" vers GPU,# tout le reste est transmis en majuscules, par exemple "npu" -> NPU.model = LibreYOLO("weights/LibreYOLO9t_openvino", device="gpu")

OpenVINO brut

import numpy as npimport openvino as ovimport yaml core = ov.Core()print(core.available_devices) compiled = core.compile_model("weights/LibreYOLO9t_openvino/model.xml", "CPU")outputs = compiled(np.zeros((1, 3, 640, 640), dtype=np.float32))print([tensor.shape for tensor in outputs.values()]) # Noms de classe, tâche et taille d'entrée sont dans metadata.yaml.meta = yaml.safe_load(open("weights/LibreYOLO9t_openvino/metadata.yaml"))print(meta["model_family"], meta["task"], meta["names"]) # Le prétraitement et le postprocessing sont à votre charge ici.

LibreYOLO() reconnaît tout répertoire contenant model.xml et renvoie le même objet Results que le checkpoint, en lisant les noms de classe, la tâche, la taille d'entrée et le schéma de pose depuis metadata.yaml.

La chaîne de device est remappée plutôt que transmise telle quelle. auto et cpu compilent tous deux pour le CPU, gpu et cuda compilent tous deux pour le GPU, et toute autre valeur est passée en majuscules à OpenVINO, ce qui est la façon d'atteindre une cible NPU.

Le troisième snippet s'adresse aux lecteurs qui n'ont pas LibreYOLO installé. Le prétraitement, le décodage, le NMS et le rééchelonnement des coordonnées y sont à votre charge, et les noms de classe n'existent que dans metadata.yaml.

Contraintes

Un IR privé de son metadata.yaml se charge quand même, mais le backend se rabat alors sur 80 classes et la tâche de détection, ce qui est faux pour tout le reste. Gardez le répertoire intact.

Bloqués avant le tracing : la segmentation YOLO9, la segmentation RTMDet-Ins, la détection SSD, Faster R-CNN et RetinaNet, et le matting BiRefNet ou FeyNobg, où OpenVINO 2026.2 n'arrive pas à abaisser l'opération ONNX standard DeformConv-19 du décodeur de matte partagé.

Quand une combinaison n'est ni validée ni bloquée, le chemin du convertisseur est disponible et le projet n'a pas enregistré de parité du runtime OpenVINO pour elle. Plusieurs combinaisons sont validées avec un contexte explicite attaché, par exemple la segmentation sémantique DeepLabV3 à une entrée fixe de 520 par 520 sur OpenVINO 2026.2 avec la précision d'inférence par défaut du CPU, et l'estimation du regard L2CS sur un crop de visage fixe de 448 par 448. libreyolo formats affiche ce contexte pour chaque combinaison.

Pour la grille complète des familles et des tâches, voir la matrice d'export. Pour une seule combinaison :

Vérifier une famille et une tâche avant d'exporter

libreyolo formats --family yolo9 --task detect