Installazione leggera

Perché funziona

pip install --no-deps libreyolo installa il pacchetto e salta del tutto il suo elenco di dipendenze. Nulla viene risolto al posto tuo, e diventi responsabile di installare ciò che usi davvero.

Questo è utile solo se il percorso di codice che ti interessa davvero non ha bisogno delle dipendenze che hai saltato, e per il rilevamento ONNX non ne ha bisogno. La decodifica, non-maximum suppression inclusa, è numpy. Le ricette di preprocessing sono numpy. PyTorch è una dipendenza per l'addestramento e per l'inferenza eager, e su questo percorso non viene mai chiamato.

Prima di questa release l'import falliva comunque: importare qualsiasi cosa sotto libreyolo.models costruiva ogni classe di modello per popolare il registro di rilevamento automatico dei checkpoint, e quelle classi sono sottoclassi di torch.nn.Module. Le ricette di preprocessing ora vivono in un pacchetto tutto loro, libreyolo.preprocess, e l'import di torch è rimandato finché qualcosa non tocca un attributo di torch, così il percorso ONNX si importa con torch assente dalla macchina. Quel pacchetto contiene un preprocessore nativo in numpy per famiglia: yolo9, yolonas, yolox, ec, rtdetr, rfdetr, dfine, deim e deimv2, due in più delle sette famiglie verificate end to end qui sotto. Ogni libreyolo/models/<family>/utils.py riesporta da lì, così i percorsi di import esistenti continuano a funzionare.

Prova prima il wheel solo CPU

La maggior parte di chi chiede questa possibilità vuole evitare un'installazione da diversi gigabyte, e la dimensione è concentrata in un punto solo: il wheel torch predefinito include CUDA. Una build solo CPU è una frazione di quella e non richiede nessun percorso di installazione speciale.

# Installa il pacchetto senza il suo elenco di dipendenze, poi fornisci# i quattro pacchetti che il percorso di rilevamento ONNX importa davvero.pip install --no-deps libreyolopip install numpy pillow opencv-python-headless onnxruntime

# Prova prima questo. Mantiene ogni funzionalità ed evita il wheel CUDA,# che è dove se ne va la maggior parte dello spazio su disco.pip install libreyolo --index-url https://download.pytorch.org/whl/cpu

L'opzione solo CPU mantiene ogni funzionalità di LibreYOLO: addestramento, validazione, ogni task, ogni famiglia, la CLI. Scegli il percorso leggero quando vuoi zero torch sulla macchina, non semplicemente meno torch.

Cosa copre l'installazione leggera

Su questo percorso sono state verificate sette famiglie: YOLOv9, YOLO-NAS, EdgeCrafter, RT-DETR, RF-DETR, D-FINE e DEIM, contando in ciascuna anche le sue varianti.

Questo è l'ambito verificato, non un confine che la libreria impone. Altri task e altre famiglie sono semplicemente fuori da ciò che è stato controllato: alcuni caricheranno torch quando li chiami, e qualcuno potrebbe funzionare per puro caso. Tratta tutto ciò che va oltre questo elenco come non testato, piuttosto che come supportato o come rotto.

Al suo interno i risultati sono identici a quelli dell'installazione normale, non semplicemente vicini. Ogni famiglia è stata esportata in ONNX ed eseguita due volte, una normalmente e una con torch bloccato; box, punteggi e classi coincidevano esattamente. Un test di parità nella suite impedisce a quel contratto di andare alla deriva.

Le cinque cose che colgono di sorpresa

Usa OnnxBackend, non le classi dei modelli. LibreYOLO9("model.onnx") richiede comunque torch, perché LibreYOLO9 è a sua volta una sottoclasse di nn.Module. È l'errore più probabile, dato che ogni altra pagina di questa documentazione carica un modello attraverso la sua classe o attraverso LibreYOLO().

Esporta da un'altra parte. Produrre il file .onnx richiede torch, quindi la macchina leggera non può crearne uno. Esporta su una macchina di sviluppo o di CI e trasferisci l'artefatto sul target snello.

I risultati portano array numpy. Qui result.boxes.xyxy è un ndarray. I contenitori accettano entrambi i tipi, quindi i nomi degli attributi non cambiano, ma il codice che chiama .cpu() o .numpy() su un risultato fallirà.

Una singola immagine restituisce un singolo Results. predict() restituisce un Results per una sola immagine e una lista per più immagini. Indicizzare un singolo risultato con [0] seleziona il primo rilevamento, non la prima immagine, il che ti dà silenziosamente un risultato con un box solo invece di sollevare un errore.

La CLI non funzionerà. typer e click non sono tra i quattro pacchetti, quindi il comando libreyolo non è disponibile. Questa è un'installazione come libreria.

Predizione

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

Sostituisci onnxruntime con onnxruntime-gpu per girare su CUDA. I quattro pacchetti sono quelli che una predict() completa e priva di torch importa davvero, registrati durante la chiamata invece che dedotti a tavolino. opencv-python-headless prende il posto di opencv-python, il pacchetto dichiarato: stesso modulo, nessuna libreria GUI, meno spazio su disco.

Delle restanti dipendenze dichiarate, requests serve solo a caricare un'immagine da un URL, pycocotools e scipy sono validazione e valutazione, e typer e click sono la CLI.

Questo elenco andrà alla deriva, per scelta

L'elenco di pacchetti qui sopra è corretto per la release indicata in cima a questa pagina. --no-deps ti fa rinunciare alla risoluzione delle dipendenze, quindi nulla lo controlla al posto tuo, e una release successiva potrebbe importare qualcosa che qui non è elencato.

Se incontri un ModuleNotFoundError, la tecnica l'hai già capita: installa il pacchetto mancante. È il modello di manutenzione previsto, non una segnalazione di bug. Questo percorso è best effort e non è una distribuzione supportata a parte, motivo per cui non esiste un secondo pacchetto leggero su PyPI e non c'è alcun piano per farne uno.

Per confermare che il tuo ambiente sia davvero senza torch e non stia silenziosamente ripiegando su una copia installata, verificalo con un assert:

import importlib.util

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

Quel controllo vale la pena tenerlo in CI per l'immagine snella. Altrimenti un ambiente che per caso ha torch passerà ogni test senza dirti nulla.