OpenVINO

O OpenVINO IR é o formato de runtime da Intel, um grafo model.xml ao lado de um blob de pesos model.bin. O LibreYOLO exporta um intermediário ONNX, converte com ov.convert_model e escreve um metadata.yaml no mesmo diretório.

Flag: export(format="openvino")
Escreve: Um diretório com model.xml, model.bin e metadata.yaml
Extra: pip install "libreyolo[onnx,openvino]"
Recarrega com: LibreYOLO("weights/LibreYOLO9t_openvino")
Formas: Seguem o intermediário ONNX: batch dinâmico quando dynamic=True
Precisão: FP32, compressão de pesos FP16 (half=True), INT8 via NNCF (int8=True com data=)

Instalação

# O IR é convertido a partir de um intermediário ONNX, então os dois extras são necessários.pip install "libreyolo[onnx,openvino]"

O INT8 ainda exige o NNCF

pip install nncf

A conversão passa por um intermediário ONNX, então o extra onnx faz parte do requisito em vez de ser um acompanhante opcional. O NNCF é uma instalação separada e só é necessário para int8=True.

Exportação

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Escreve o diretório weights/LibreYOLO9t_openvinopath = model.export(format="openvino")print(path)

CLI

libreyolo export --model LibreYOLO9t.pt --format openvino

Argumentos

model.export(    format="openvino",    imgsz=640,    batch=1,    dynamic=False,    # True mantém um eixo de batch dinâmico através do IR    half=False,       # True armazena pesos FP16    int8=False,       # True roda a quantização pós-treinamento do NNCF    data=None,        # obrigatório quando int8=True    output_path=None, # None escreve weights/<stem>_openvino)

O artefato é um diretório, não um arquivo. weights/LibreYOLO9t_openvino contém model.xml, model.bin e metadata.yaml, e _fp16 é inserido antes do sufixo quando half=True. Mova ou copie o diretório inteiro; os três arquivos são um só artefato.

half=True define compress_to_fp16 no salvamento. Isso é compressão de pesos no IR, não uma mudança na precisão de inferência que o dispositivo escolhe em tempo de execução.

INT8

INT8 com dados de calibração

from libreyolo import LibreYOLO LibreYOLO("LibreYOLO9t.pt").export(    format="openvino",    int8=True,    data="coco128.yaml",   # obrigatório: não há padrão para este formato    fraction=1.0,)

int8=True roda a quantização pós-treinamento do NNCF sobre um loader de calibração do LibreYOLO com o preset mixed, e data é obrigatório: este formato não tem fallback de oito imagens. A ausência do NNCF levanta um ImportError nomeando o comando de instalação.

Rodar o artefato

Pelo LibreYOLO

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreYOLO9t_openvino")result = model.predict(SAMPLE_IMAGE)print(result.boxes.xyxy[:3])

Selecionar o dispositivo

from libreyolo import LibreYOLO # "auto" e "cpu" mapeiam para CPU, "gpu" e "cuda" mapeiam para GPU,# qualquer outra coisa é repassada em maiúsculas, por exemplo "npu" -> NPU.model = LibreYOLO("weights/LibreYOLO9t_openvino", device="gpu")

OpenVINO puro

import numpy as npimport openvino as ovimport yaml core = ov.Core()print(core.available_devices) compiled = core.compile_model("weights/LibreYOLO9t_openvino/model.xml", "CPU")outputs = compiled(np.zeros((1, 3, 640, 640), dtype=np.float32))print([tensor.shape for tensor in outputs.values()]) # Os nomes das classes, a tarefa e o tamanho de entrada vivem no metadata.yaml ao lado do IR.meta = yaml.safe_load(open("weights/LibreYOLO9t_openvino/metadata.yaml"))print(meta["model_family"], meta["task"], meta["names"]) # O pré-processamento e o pós-processamento ficam por sua conta neste caminho.

LibreYOLO() reconhece qualquer diretório que contenha model.xml e devolve o mesmo objeto Results que o checkpoint, lendo os nomes das classes, a tarefa, o tamanho de entrada e o esquema de pose do metadata.yaml.

A string de dispositivo é mapeada em vez de repassada direto. auto e cpu compilam os dois para CPU, gpu e cuda compilam os dois para GPU, e qualquer outro valor é convertido para maiúsculas e entregue ao OpenVINO, que é como se chega a um alvo NPU.

O terceiro snippet é para leitores sem o LibreYOLO instalado. O pré-processamento, a decodificação, o NMS e o reescalonamento de coordenadas ficam por sua conta ali, e os nomes das classes só existem no metadata.yaml.

Restrições

Um IR sem o seu metadata.yaml ainda carrega, mas o backend então recorre a 80 classes e à tarefa de detecção, o que está errado para qualquer outra coisa. Mantenha o diretório intacto.

Bloqueados antes do traçado: segmentação com YOLO9, segmentação com RTMDet-Ins, detecção com SSD, Faster R-CNN e RetinaNet, e matting com BiRefNet ou FeyNobg, onde o OpenVINO 2026.2 não consegue rebaixar a operação padrão do ONNX DeformConv-19 do decodificador de matte compartilhado.

Onde uma combinação não é nem validada nem bloqueada, o caminho do conversor está disponível e o projeto não registrou paridade de runtime do OpenVINO para ela. Várias combinações são validadas com um contexto explícito anexado, por exemplo a segmentação semântica com DeepLabV3 em uma entrada fixa de 520 por 520 no OpenVINO 2026.2 com a precisão de inferência padrão da CPU, e o olhar (gaze) com L2CS em um recorte de rosto fixo de 448 por 448. O libreyolo formats imprime esse contexto por combinação.

Para a grade completa de famílias e tarefas, veja a matriz de exportação. Para uma combinação:

Conferir uma família e uma tarefa antes de exportar

libreyolo formats --family yolo9 --task detect