LibreYOLO al CVPR 2026: object detection edge su Hailo e Snapdragon
LibreYOLO è arrivato al CVPR 2026.
Il CVPR è ampiamente riconosciuto come la conferenza di computer vision più prestigiosa al mondo. Quest'anno si è tenuto a Denver e un team di Jabra e IT University of Copenhagen ha condotto un tutorial dal titolo "Edge AI in Action: Mastering On-Device Inference". Per mostrare come portare il rilevamento di oggetti sui chip edge, ha scelto LibreYOLOXs come modello di riferimento.
Cosa hanno realizzato
Il tutorial ha illustrato l'intera pipeline edge, dall'inizio alla fine. Si parte da un modello LibreYOLOXs. Lo si esporta in ONNX. Poi si compila quel modello ONNX per due hardware molto diversi: un acceleratore Hailo-8L e Qualcomm Snapdragon.
Tempo reale su Hailo-8L
Hanno compilato il modello ONNX in un HEF con Hailo Dataflow Compiler, poi lo hanno eseguito su un Raspberry Pi 5 con Hailo-8L AI HAT.
Ha raggiunto 19.0 ms per frame, 52.6 FPS, su un Raspberry Pi.
Tempo reale su Snapdragon
Per Qualcomm hanno quantizzato LibreYOLOXs in INT8 e lo hanno eseguito con lo stack SNPE, QAIRT e AI Hub, con benchmark su un QCS6490.
Ha impiegato 6.69 ms sull'HTP/DSP.
Ringraziamenti
Un grande ringraziamento a Sai Narsi Reddy Donthi Reddy, Fabricio Batista Narcizo, Elizabete Munzlingera e Shan Ahmed Shaffi per aver presentato il progetto.
- Tutorial e slide: Edge AI in azione: padroneggiare l'inferenza on-device
- Modelli LibreYOLOXs quantizzati per Qualcomm: su Hugging Face
Provalo
pip install libreyolo
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLOXs.pt")
model.export(format="onnx") # then compile for your edge target
LibreYOLO è distribuito con licenza MIT, funziona su Linux, Mac e Windows e gira su GPU, Apple Silicon e CPU standard senza modifiche al codice. Una sola API copre YOLOX, RF-DETR, D-FINE, DEIM, YOLO-NAS, segmentazione, stima della posa, profondità e altro.
Aggiungi una stella su GitHub: github.com/LibreYOLO/libreyolo | Documentazione: libreyolo.com/docs