Installer

LibreYOLO est publié sur PyPI sous le nom libreyolo. Le paquet de base couvre la prédiction, l'entraînement, la validation et les familles de modèles qui n'ont besoin de rien d'autre que PyTorch. Les extras facultatifs ajoutent le reste.

Paquet: libreyolo
Python: 3.10 ou version ultérieure
Licence du code: MIT
Dépendance principale: PyTorch 2.4 ou version ultérieure

Installer

pip

pip install libreyolo

Avec des extras

# Séparez les extras par des virgules pour les combiner dans une installation.pip install "libreyolo[rfdetr,onnx]"

Tout installer

pip install "libreyolo[all]"

Depuis les sources

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

Python 3.10 ou une version ultérieure est requis. L'installation de base récupère PyTorch, torchvision, NumPy, Pillow, OpenCV, PyYAML, requests, mss, tqdm, pycocotools, typer, click, safetensors et SciPy. YOLOv9 et les autres familles qui ne demandent rien de plus fonctionnent donc immédiatement après pip install libreyolo.

Un clone récupère release, la branche stable dont le code correspond à cette documentation. La branche d'intégration, qui contient les travaux non publiés, est dev.

Extras facultatifs

Un extra est un nom entre crochets qui ajoute les dépendances nécessaires à une famille de modèles ou à une cible d'exportation. Rien d'autre ne change : l'API reste identique, que l'extra soit présent ou non.

Familles de modèles

Extra	Ajouts
`rfdetr`	`transformers`, qui fournit le backbone de RF-DETR
`eomt`	`transformers`
`midas`	`timm` 1.0.x, qui fournit les encodeurs ViT-L/16 et EfficientNet-Lite3 de MiDaS
`vlm`	`transformers`, `num2words`, `decord`, `lmdb`, `peft`
`sam`	`transformers`, `timm`
`openvocab`	`transformers`, `timm`, `regex`, `ftfy`
`sensenova`	`transformers`, `accelerate` et `bitsandbytes` hors macOS
`modus`	`transformers`, `accelerate`
`clip`	`regex` et `ftfy`, nécessaires au tokenizer de texte CLIP intégré
`siglip2`	`sentencepiece`, nécessaire au tokenizer multilingue SigLIP 2
`gaze`	`gdown`, qui active le téléchargement automatique du checkpoint L2CS
`rtdetr`	Rien. RT-DETR n'a besoin d'aucune dépendance supplémentaire. Le nom reste stable

Exportation et environnements d'exécution

Extra	Ajouts
`onnx`	`onnx`, `onnxsim`, `onnxruntime`
`tensorrt`	`tensorrt-cu12` 10.16.1.11 et `pycuda`, hors macOS
`openvino`	`openvino`
`coreml`	`coremltools`
`coreai`	`coreai-torch`, macOS uniquement
`tflite`, alias `litert`	`libreyolo[onnx]` avec `onnx2tf`, `ai-edge-litert`, `onnx-graphsurgeon` et `onnx-simplifier`
`mnn`	`libreyolo[onnx]` avec `MNN`
`ncnn`	`pnnx` et `ncnn`
`paddle`	`libreyolo[onnx]` avec `paddlepaddle` 2.6.2 et `x2paddle` 1.6.0
`executorch`	`executorch`
`triton`	`tritonclient[http]` pour l'inférence V2 par HTTP et HTTPS

Entraînement, évaluation et journalisation

Extra	Ajouts
`lora`	`libreyolo[rfdetr]` avec `peft`, pour le fine-tuning avec `lora=True`
`plots`	`matplotlib`
`fast-eval`	`faster-coco-eval`, le backend C++ d'évaluation COCO
`tensorboard`	`tensorboard`
`mlflow`	`mlflow`
`wandb`	`wandb`
`comet`	`comet-ml`
`clearml`	`clearml`
`neptune`	`neptune-scale`
`dvclive`, alias `dvc`	`dvclive`

fast-eval est facultatif plutôt qu'une dépendance obligatoire, afin qu'une plateforme dépourvue de wheel précompilée ne puisse pas empêcher une installation simple. En l'absence du paquet, l'évaluation COCO revient à pycocotools et l'exécution se poursuit.

Outils

Extra	Ajouts
`stream`	`yt-dlp`, nécessaire uniquement pour résoudre les URL de pages YouTube
`tracking`	Rien. Toutes les dépendances de suivi sont déjà des dépendances principales
`label`	`libreyolo[sam]`, qui active l'aide clic-vers-masque dans `libreyolo label`
`hub-kernels`	`kernels`, le chargeur facultatif de kernels Hub compilés. Consultez la page sur les kernels, qui précise que son installation peut modifier les prédictions RF-DETR dans les limites de tolérance des nombres flottants
`clip-convert`	`libreyolo[clip]` avec `open_clip_torch`, pour la conversion des poids et les vérifications de parité
`siglip2-convert`	`libreyolo[siglip2]` avec `transformers`, pour la même raison

Les webcams, RTSP, RTMP, TCP, UDP, HLS et les listes locales de plusieurs flux ne nécessitent aucun extra. Seules les URL de pages YouTube en ont besoin.

Extra global

libreyolo[all] installe en une seule commande les extras de modèles, d'exportation, de suivi et de journalisation. Certains en sont volontairement exclus. neptune ne figure pas dans cet ensemble, car la version stable de neptune-scale exige une version de protobuf antérieure à 7, tandis que le parcours TFLite exige protobuf 7. executorch est exclu parce qu'ExecuTorch impose les versions de PyTorch avec lesquelles il fonctionne, et coreai parce que coreai-torch fixe PyTorch à la série 2.11.x et ferait migrer tout l'environnement vers cette version. fast-eval, hub-kernels, clip-convert et siglip2-convert sont également laissés de côté. Installez chacun d'eux par son nom.

Contraintes des plateformes

Trois extras sont limités à certaines plateformes par les marqueurs de leurs dépendances. L'installation réussit donc partout et installe simplement moins de composants lorsqu'aucune wheel n'existe.

Extra	Contrainte
`coreai`	macOS uniquement. La chaîne d'outils Core AI ne convertit ni ne s'exécute ailleurs
`tensorrt`	Ignoré sur macOS, qui ne dispose pas de CUDA
`tflite`, `litert`	`onnx2tf` et `ai-edge-litert` nécessitent Python 3.12 ou une version ultérieure

sensenova ignore bitsandbytes sur macOS, où aucune wheel n'est publiée. Le reste de l'extra s'installe normalement.

Si l'espace disque est la contrainte, PyTorch en occupe la majeure partie, et l'essentiel de PyTorch provient de la charge utile CUDA incluse dans sa wheel par défaut. Une wheel limitée au CPU la supprime sans rien sacrifier. Pour exécuter une détection ONNX sur une machine qui ne doit contenir aucune installation de torch, consultez l'installation légère.

GPU et CUDA

Le périphérique est sélectionné lors de la construction du modèle. La valeur par défaut, device="auto", utilise CUDA lorsque torch.cuda.is_available() vaut true, puis Metal Performance Shaders lorsque torch.backends.mps.is_available() vaut true, et le CPU dans les autres cas. Rien d'autre dans la bibliothèque n'inspecte le matériel. Si PyTorch ne détecte pas un GPU, LibreYOLO ne le peut pas non plus.

Pour imposer le périphérique, transmettez device au modèle ou à predict, train, val et export. Il accepte "cpu", "cuda", "cuda:0", "mps", un entier seul tel que 0 ou une chaîne de chiffres telle que "0". Les deux dernières formes sont développées en cuda:<n>.

Commencez par libreyolo checks. Cette commande affiche la version de Torch, les versions de CUDA et de cuDNN avec lesquelles Torch a été construit, ainsi que chaque GPU visible et sa mémoire. Si elle n'indique aucun CUDA sur une machine équipée d'une carte NVIDIA, la wheel PyTorch choisie par pip est une version CPU. Installez d'abord une version CUDA depuis l'index PyTorch, puis LibreYOLO :

bash

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

Il s'agit du même index que celui fixé par le dépôt pour son propre environnement géré par uv sous Linux et Windows. Il nécessite le pilote NVIDIA 555 ou une version ultérieure, conformément aux exigences de l'environnement d'exécution CUDA 12.8. macOS conserve la wheel PyPI, car l'hôte de téléchargement PyTorch ne publie aucune version Darwin.

Vérifier l'installation

CLI

# Python, Torch, CUDA, cuDNN, chaque GPU visible et les paquets# facultatifs installés.libreyolo checks

Python

import libreyolo print(libreyolo.__version__)

Inventaire des modèles

# Chaque famille enregistrée avec ses tâches, ses tailles et ses# résolutions d'entrée. Les familles dont l'extra manque sont# accompagnées de la commande pip qui les active.libreyolo models

libreyolo models est le moyen le plus rapide de vérifier qu'un extra a pris effet : une famille dont la dépendance manque est affichée avec la commande pip exacte qui l'active. Les deux commandes acceptent également --json, qui affiche les mêmes données sur stdout sous forme d'objet lisible par une machine.