Installazione

Installazione

pip install libreyolo

# Usa la virgola per combinarne più di uno in una sola installazione.pip install "libreyolo[rfdetr,onnx]"

pip install "libreyolo[all]"

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

È richiesto Python 3.10 o superiore. L'installazione base porta con sé PyTorch, torchvision, NumPy, Pillow, OpenCV, PyYAML, requests, mss, tqdm, pycocotools, typer, click, safetensors e SciPy, così YOLOv9 e le altre famiglie che non richiedono altro funzionano subito dopo pip install libreyolo.

Un clone fa il checkout di release, il branch stabile il cui codice corrisponde a questa documentazione. Il branch di integrazione, che contiene il lavoro non ancora rilasciato, è dev.

Extra opzionali

Un extra è un nome tra parentesi quadre che aggiunge le dipendenze richieste da una famiglia di modelli o da un target di esportazione. Non cambia nient'altro: l'API è la stessa con o senza l'extra.

Famiglie di modelli

Esportazione e runtime

Addestramento, valutazione e logging

fast-eval è opzionale invece che una dipendenza obbligatoria, così una piattaforma senza wheel precompilata non può far fallire un'installazione semplice. Quando il pacchetto manca, la valutazione COCO ripiega su pycocotools e l'esecuzione continua.

Strumenti

Le webcam, RTSP, RTMP, TCP, UDP, HLS e le liste multi-stream locali non richiedono alcun extra. Solo gli URL delle pagine di YouTube ne hanno bisogno.

L'extra aggregato

libreyolo[all] installa gli extra per modelli, esportazione, tracking e logging con un solo comando. Alcuni sono volutamente esclusi. neptune è escluso perché la versione stabile di neptune-scale richiede protobuf inferiore a 7, mentre il percorso TFLite richiede protobuf 7. executorch è escluso perché ExecuTorch vincola la versione di PyTorch con cui si abbina e coreai perché coreai-torch fissa PyTorch a 2.11.x e porterebbe l'intero ambiente a quella versione. Sono esclusi anche fast-eval, hub-kernels, clip-convert e siglip2-convert. Installali per nome. all include hf, llm e gen; fiftyone, vla, marigold e molmo2 restano separati. FiftyOne include OpenCV headless, che si sovrappone al pacchetto cv2 del core.

L'installazione del core richiede Python 3.10 o superiore e aggiunge cloudpickle>=3.0.0 per DDP gestito da un coordinatore e huggingface_hub>=0.34.0, così LibreYOLO("owner/repo") carica i modelli dell'Hub senza l'extra hf.

Usa un ambiente separato per Molmo2: il vincolo a Transformers 4.57.1 è in conflitto con gli stack VLM, Hub e Marigold più recenti, e libreyolo[gen] non può essere installato insieme a libreyolo[molmo2]. Marigold fissa diffusers 0.38.0, peft 0.18.1, accelerate 1.13.0 e Transformers 5.4.0, oltre a bitsandbytes 0.49.2 su Linux/Windows. L'inferenza predefinita Marigold a quattro bit richiede CUDA. North Micro Vision richiede Transformers 5.16 o superiore; Gemma 4 richiede 5.10 o superiore, oltre il minimo condiviso dei VLM.

Vincoli di piattaforma

Tre extra sono limitati per piattaforma dai loro marker di dipendenza, così l'installazione riesce ovunque e installa semplicemente meno dove una wheel non esiste.

sensenova salta bitsandbytes su macOS, dove non viene pubblicata alcuna wheel; il resto dell'extra si installa normalmente.

vlm non è limitato per piattaforma: il suo pin decord==0.6.0 ha wheel solo per Linux x86-64 e Windows. Su macOS e su Linux ARM, l'installazione di vlm, ground, vlm-train e all fallisce.

Se il vincolo è il disco, la maggior parte è PyTorch, e la maggior parte di PyTorch è il payload CUDA che la sua wheel predefinita include. Una wheel solo CPU lo elimina senza rinunciare a nulla. Per il rilevamento con ONNX su una macchina che non deve portarsi dietro torch, vedi l'installazione leggera.

GPU e CUDA

La selezione del dispositivo avviene quando il modello viene costruito. Il valore predefinito, device="auto", usa CUDA quando torch.cuda.is_available() è vero, poi Metal Performance Shaders quando torch.backends.mps.is_available() è vero, e altrimenti la CPU. Nient'altro nella libreria ispeziona l'hardware, quindi se PyTorch non vede una GPU, non la vede nemmeno LibreYOLO.

Per fissare invece il dispositivo, passa device al modello oppure a predict, train, val ed export. Accetta "cpu", "cuda", "cuda:0", "mps", un semplice intero come 0, o una stringa di cifre come "0"; gli ultimi due vengono espansi in cuda:<n>.

Parti da libreyolo checks, che stampa la versione di Torch, le versioni di CUDA e cuDNN con cui Torch è stato compilato, e ogni GPU visibile con la sua memoria. Quando segnala che non c'è CUDA su una macchina che ha una scheda NVIDIA, la wheel di PyTorch risolta da pip è una build per CPU. Installa prima una build con CUDA dall'indice di PyTorch, poi installa LibreYOLO:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128pip install libreyolo

È lo stesso indice che il repository fissa per il proprio ambiente gestito con uv su Linux e Windows. Richiede il driver NVIDIA 555 o superiore, che è il requisito del runtime CUDA 12.8. macOS resta sulla wheel di PyPI, dato che l'host di download di PyTorch non pubblica build per Darwin.

Verificare l'installazione

# Python, Torch, CUDA, cuDNN, ogni GPU visibile e quali# pacchetti opzionali sono installati.libreyolo checks

import libreyolo print(libreyolo.__version__)

# Ogni famiglia registrata con i suoi task, le dimensioni e le# risoluzioni di input. Le famiglie a cui manca l'extra sono# elencate con il comando pip che le abilita.libreyolo models

libreyolo models è il modo più rapido per vedere se un extra ha avuto effetto: una famiglia a cui manca la dipendenza viene stampata con il comando pip esatto che la abilita. Entrambi i comandi accettano anche --json, che stampa gli stessi dati come oggetto leggibile da una macchina su stdout.