Instalacja

Instalacja

pip install libreyolo

# Aby połączyć kilka dodatków w jednej instalacji, rozdziel je przecinkami.pip install "libreyolo[rfdetr,onnx]"

pip install "libreyolo[all]"

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

Wymagany jest Python 3.10 lub nowszy. Instalacja bazowa pobiera PyTorch, torchvision, NumPy, Pillow, OpenCV, PyYAML, requests, mss, tqdm, pycocotools, typer, click, safetensors i SciPy. Dlatego YOLOv9 oraz inne rodziny, które nie potrzebują niczego więcej, działają od razu po pip install libreyolo.

Klonowanie wybiera release, stabilną gałąź, której kod odpowiada tej dokumentacji. Gałąź integracyjna zawierająca niewydane zmiany to dev.

Opcjonalne dodatki

Dodatek jest nazwą w nawiasach kwadratowych, która instaluje zależności wymagane przez jedną rodzinę modeli lub jeden cel eksportu. Nic innego się nie zmienia: API jest takie samo niezależnie od obecności dodatku.

Rodziny modeli

Eksport i środowiska uruchomieniowe

Trenowanie, ewaluacja i rejestrowanie

fast-eval wymaga jawnego włączenia zamiast być twardą zależnością, aby brak gotowego pakietu dla platformy nie mógł zepsuć zwykłej instalacji. Gdy pakietu nie ma, ewaluacja COCO przechodzi na pycocotools i przebieg jest kontynuowany.

Narzędzia

Kamery internetowe, RTSP, RTMP, TCP, UDP, HLS i lokalne listy wielu strumieni nie wymagają dodatku. Potrzebują go tylko adresy stron YouTube.

Dodatek zbiorczy

libreyolo[all] instaluje dodatki modeli, eksportu, śledzenia i rejestrowania jednym poleceniem. Niektóre są celowo wyłączone. neptune jest wykluczone, ponieważ stabilne neptune-scale wymaga protobuf poniżej 7, natomiast ścieżka TFLite wymaga protobuf 7. executorch jest wykluczone, ponieważ ExecuTorch ogranicza zgodne wersje PyTorch, a coreai, ponieważ coreai-torch przypina PyTorch do 2.11.x i przeniosłoby całe środowisko na tę wersję. fast-eval, hub-kernels, clip-convert i siglip2-convert również są pominięte. Każdy z nich należy zainstalować według nazwy.

Ograniczenia platform

Trzy dodatki są ograniczone do platformy przez znaczniki zależności, dzięki czemu instalacja powiedzie się wszędzie i po prostu zainstaluje mniej tam, gdzie pakiet nie istnieje.

sensenova pomija bitsandbytes w macOS, dla którego nie opublikowano pakietu. Pozostała część dodatku instaluje się normalnie.

Jeśli ograniczeniem jest miejsce na dysku, większość zajmuje PyTorch, a większą część PyTorch stanowią dane CUDA dołączone do domyślnego pakietu. Pakiet tylko dla CPU usuwa je bez rezygnowania z innych funkcji. Informacje o detekcji ONNX na maszynie, która w ogóle nie powinna zawierać torch, znajdują się na stronie lekkiej instalacji.

GPU i CUDA

Wybór urządzenia następuje podczas tworzenia modelu. Domyślne device="auto" używa CUDA, gdy torch.cuda.is_available() ma wartość true, następnie Metal Performance Shaders, gdy torch.backends.mps.is_available() ma wartość true, a w przeciwnym razie CPU. Nic innego w bibliotece nie sprawdza sprzętu, więc jeśli PyTorch nie widzi GPU, LibreYOLO również go nie zobaczy.

Aby przypiąć urządzenie, przekaż device do modelu albo do predict, train, val i export. Akceptowane są "cpu", "cuda", "cuda:0", "mps", sama liczba całkowita, taka jak 0, oraz ciąg cyfr, taki jak "0". Dwie ostatnie formy są rozwijane do cuda:<n>.

Zacznij od libreyolo checks, które wyświetla wersję Torch, wersje CUDA i cuDNN, z którymi zbudowano Torch, oraz każde widoczne GPU wraz z pamięcią. Jeśli na maszynie z kartą NVIDIA polecenie nie zgłasza CUDA, pip wybrał pakiet PyTorch dla CPU. Najpierw zainstaluj kompilację CUDA z indeksu PyTorch, a następnie LibreYOLO:

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

Jest to ten sam indeks, który repozytorium przypina we własnym środowisku zarządzanym przez uv w Linux i Windows. Wymaga sterownika NVIDIA 555 lub nowszego, zgodnie z wymaganiami środowiska uruchomieniowego CUDA 12.8. macOS zachowuje pakiet z PyPI, ponieważ host pobierania PyTorch nie publikuje kompilacji Darwin.

Sprawdzenie instalacji

# Python, Torch, CUDA, cuDNN, każde widoczne GPU oraz lista# zainstalowanych pakietów opcjonalnych.libreyolo checks

import libreyolo print(libreyolo.__version__)

# Każda zarejestrowana rodzina wraz z zadaniami, rozmiarami i rozdzielczościami# wejściowymi. Rodziny, których dodatku brakuje, są wymieniane z poleceniem# pip, które je włącza.libreyolo models

libreyolo models to najszybszy sposób sprawdzenia, czy dodatek zadziałał. Rodzina z brakującą zależnością jest wyświetlana z dokładnym poleceniem pip, które ją włącza. Oba polecenia przyjmują również --json, które wyświetla te same dane jako obiekt do odczytu maszynowego na stdout.