LibreYOLO no CVPR 2026: detecção de objetos com Edge AI

O LibreYOLO apareceu no CVPR 2026.

O CVPR é amplamente reconhecido como a conferência de visão computacional mais prestigiada do mundo. Neste ano, o evento aconteceu em Denver, e uma equipe da Jabra e da IT University of Copenhagen apresentou ali um tutorial chamado "Edge AI in Action: Mastering On-Device Inference". Eles escolheram o LibreYOLOXs como modelo de exemplo para levar a detecção de objetos a chips de borda.

O que eles criaram

O tutorial percorreu todo o pipeline de borda, de ponta a ponta. Comece com um modelo LibreYOLOXs. Exporte-o para ONNX. Em seguida, compile esse ONNX para dois hardwares bem diferentes: um acelerador Hailo-8L e o Qualcomm Snapdragon.

Tempo real em um Hailo-8L

Eles compilaram o ONNX para HEF com o Hailo Dataflow Compiler e, em seguida, executaram o modelo em um Raspberry Pi 5 com o AI HAT Hailo-8L.

Ele rodou a 19.0 ms por frame, 52.6 FPS, em um Raspberry Pi.

Tempo real em Snapdragon

No lado da Qualcomm, eles quantizaram o LibreYOLOXs para INT8 e o executaram com a stack SNPE, QAIRT e AI Hub, com benchmark em um QCS6490.

O resultado foi 6.69 ms no HTP/DSP.

Agradecimentos

Muito obrigado a Sai Narsi Reddy Donthi Reddy, Fabricio Batista Narcizo, Elizabete Munzlingera e Shan Ahmed Shaffi por apresentarem o projeto.

• Tutorial e slides: Edge AI in Action: Mastering On-Device Inference
• Modelos LibreYOLOXs quantizados para Qualcomm: no Hugging Face

Experimente

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLOXs.pt")
model.export(format="onnx")   # depois compile para o seu dispositivo de borda

O LibreYOLO usa a licença MIT, roda em Linux, Mac e Windows e funciona em GPU, Apple Silicon e CPU comum sem nenhuma alteração no código. Uma API cobre YOLOX, RF-DETR, D-FINE, DEIM, YOLO-NAS, segmentação, pose, profundidade e muito mais.

Dê uma estrela no GitHub: github.com/LibreYOLO/libreyolo | Documentação: libreyolo.com/docs