Instalasi ringan

Mengapa cara ini berfungsi

pip install --no-deps libreyolo menginstal paket dan melewati seluruh list dependency. Tidak ada yang diselesaikan secara otomatis, dan pengguna bertanggung jawab menginstal yang benar-benar digunakan.

Cara ini hanya berguna jika jalur kode yang diinginkan benar-benar tidak memerlukan dependency yang dilewati, dan deteksi ONNX memang tidak memerlukannya. Decode, termasuk non-maximum suppression, menggunakan numpy. Resep preprocessing menggunakan numpy. PyTorch adalah dependency pelatihan dan inferensi eager, dan tidak pernah dipanggil pada jalur ini.

Sebelum rilis ini, import tetap gagal: mengimpor apa pun di bawah libreyolo.models membangun setiap kelas model untuk mengisi registry deteksi otomatis checkpoint, dan kelas tersebut merupakan subclass torch.nn.Module. Resep preprocessing kini berada dalam paket sendiri, libreyolo.preprocess, dan import torch ditunda hingga atribut torch disentuh, sehingga jalur ONNX dapat diimpor tanpa torch pada mesin. Paket tersebut memuat preprocessor native numpy per family: yolo9, yolonas, yolox, ec, rtdetr, rfdetr, dfine, deim, dan deimv2, dua lebih banyak daripada tujuh family yang diverifikasi end-to-end di bawah. Setiap libreyolo/models/<family>/utils.py mengekspor ulang darinya, sehingga path import lama tetap berfungsi.

Coba wheel khusus CPU terlebih dahulu

Sebagian besar pengguna yang memerlukan cara ini ingin menghindari instalasi beberapa gigabyte, dan ukurannya terkonsentrasi di satu tempat: wheel torch default menyertakan CUDA. Build khusus CPU jauh lebih kecil dan tidak memerlukan jalur instalasi khusus.

# Instal paket tanpa list dependency-nya, lalu sediakan# empat paket yang benar-benar diimpor jalur deteksi ONNX.pip install --no-deps libreyolopip install numpy pillow opencv-python-headless onnxruntime

# Coba ini terlebih dahulu. Semua fitur tetap tersedia tanpa wheel CUDA,# yang menggunakan sebagian besar ruang disk.pip install libreyolo --index-url https://download.pytorch.org/whl/cpu

Opsi khusus CPU mempertahankan setiap fitur LibreYOLO: pelatihan, validasi, setiap task, setiap family, dan CLI. Gunakan jalur ringan jika benar-benar memerlukan mesin tanpa torch, bukan sekadar instalasi yang lebih kecil.

Cakupan instalasi ringan

Tujuh family telah diverifikasi pada jalur ini: YOLOv9, YOLO-NAS, EdgeCrafter, RT-DETR, RF-DETR, D-FINE, dan DEIM, termasuk varian setiap family.

Itulah cakupan terverifikasi, bukan batas yang diterapkan library. Task dan family lain hanya berada di luar pemeriksaan: beberapa akan menarik torch saat dipanggil dan beberapa mungkin berfungsi. Perlakukan semua di luar list sebagai belum diuji, bukan didukung atau rusak.

Dalam cakupan tersebut, hasil identik dengan instalasi normal, bukan sekadar mendekati. Setiap family diekspor ke ONNX dan dijalankan dua kali, sekali secara normal dan sekali dengan torch diblokir; bounding box, skor, dan kelas cocok persis. Pengujian paritas dalam suite menjaga kontrak agar tidak menyimpang.

Lima hal yang sering menjebak pengguna

Gunakan OnnxBackend, bukan kelas model. LibreYOLO9("model.onnx") tetap memerlukan torch karena LibreYOLO9 sendiri adalah subclass nn.Module. Ini kesalahan paling mungkin karena setiap halaman lain memuat model melalui kelas atau LibreYOLO().

Lakukan ekspor di tempat lain. Pembuatan berkas .onnx memerlukan torch, sehingga mesin ringan tidak dapat membuatnya. Ekspor pada mesin development atau CI lalu kirim artefak ke target ramping.

Results membawa array numpy. result.boxes.xyxy adalah ndarray di sini. Container menerima kedua jenis sehingga nama atribut tidak berubah, tetapi kode yang memanggil .cpu() atau .numpy() pada hasil akan gagal.

Satu gambar mengembalikan satu Results. predict() mengembalikan satu Results untuk satu gambar dan list untuk beberapa gambar. Melakukan indexing pada satu hasil dengan [0] memilih deteksi pertama, bukan gambar pertama, yang diam-diam menghasilkan hasil satu bounding box alih-alih error.

CLI tidak akan berfungsi. typer dan click tidak termasuk empat paket, sehingga perintah libreyolo tidak tersedia. Ini adalah instalasi library.

Prediksi

from libreyolo.backends.onnx import OnnxBackend model = OnnxBackend("libreyolo9t.onnx")result = model.predict("https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg") # xyxy di sini adalah ndarray numpy, bukan tensor torch.print(result.boxes.xyxy)print(result.boxes.conf)print(result.boxes.cls)

Ganti onnxruntime dengan onnxruntime-gpu untuk berjalan pada CUDA. Empat paket tersebut adalah paket yang benar-benar diimpor oleh predict() tanpa torch penuh, dicatat selama pemanggilan, bukan disimpulkan. Paket opencv-python-headless menggantikan opencv-python yang dideklarasikan: modulnya sama, tanpa library GUI, dan lebih kecil di disk.

Di antara dependency lain yang dideklarasikan, requests hanya diperlukan untuk memuat gambar dari URL, pycocotools dan scipy untuk validasi serta evaluasi, sedangkan typer dan click untuk CLI.

List ini sengaja dapat berubah

List paket di atas tepat untuk rilis yang disebutkan di bagian atas halaman. --no-deps membuat pengguna keluar dari resolve dependency, sehingga tidak ada yang memeriksanya secara otomatis, dan rilis berikutnya dapat mengimpor hal yang tidak tercantum.

Jika muncul ModuleNotFoundError, tekniknya sudah jelas: instal paket yang hilang. Itulah model maintenance yang dimaksud, bukan bug report. Jalur ini bersifat upaya terbaik dan bukan distribusi yang didukung secara terpisah. Karena itu, tidak ada paket ringan kedua pada PyPI dan tidak ada rencana membuatnya.

Untuk memastikan environment benar-benar tanpa torch, bukan diam-diam kembali ke salinan terinstal, gunakan assertion:

import importlib.util

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

Pemeriksaan ini layak dipertahankan dalam CI untuk gambar ramping. Tanpanya, environment yang kebetulan memiliki torch akan lolos setiap pengujian tanpa memberikan informasi apa pun.