Instalação leve

Por que isso funciona

pip install --no-deps libreyolo instala o pacote e pula inteiramente a lista de dependências. Nada é resolvido em seu nome, e você fica responsável por instalar o que de fato usa.

Isso só é útil se o caminho de código que você quer realmente não precisar das dependências que você pulou, e no caso da detecção ONNX ele não precisa. O decode, incluindo a non-maximum suppression, é numpy. As receitas de pré-processamento são numpy. O PyTorch é uma dependência de treinamento e de inferência eager, e nesse caminho ele nunca é chamado.

Antes desta versão o import falhava de qualquer jeito: importar qualquer coisa sob libreyolo.models construía todas as classes de modelo para popular o registro de detecção automática de checkpoint, e essas classes são subclasses de torch.nn.Module. As receitas de pré-processamento agora vivem no próprio pacote delas, libreyolo.preprocess, e o import do torch é adiado até que algo toque em um atributo do torch, então o caminho ONNX importa com o torch ausente da máquina. Esse pacote tem um pré-processador nativo em numpy por família: yolo9, yolonas, yolox, ec, rtdetr, rfdetr, dfine, deim e deimv2, duas a mais que as sete famílias verificadas de ponta a ponta abaixo. Cada libreyolo/models/<family>/utils.py reexporta a partir dele, então os caminhos de import existentes continuam funcionando.

Tente primeiro o wheel só de CPU

A maioria das pessoas que pede isso quer evitar uma instalação de vários gigabytes, e o tamanho está concentrado em um lugar: o wheel padrão do torch embute o CUDA. Uma build só de CPU é uma fração disso e não precisa de nenhum caminho de instalação especial.

# Instala o pacote sem sua lista de dependências e depois fornece os# quatro pacotes que o caminho de detecção ONNX realmente importa.pip install --no-deps libreyolopip install numpy pillow opencv-python-headless onnxruntime

# Tente isso primeiro. Mantém todos os recursos e evita o wheel de# CUDA, que é onde a maior parte do disco vai embora.pip install libreyolo --index-url https://download.pytorch.org/whl/cpu

A opção só de CPU mantém todos os recursos do LibreYOLO: treinamento, validação, todas as tarefas, todas as famílias, a CLI. Escolha o caminho leve quando quiser zero torch na máquina, não apenas menos torch.

O que a instalação leve cobre

Sete famílias foram verificadas nesse caminho: YOLOv9, YOLO-NAS, EdgeCrafter, RT-DETR, RF-DETR, D-FINE e DEIM, contando junto as variantes de cada família.

Esse é o escopo verificado, não um limite que a biblioteca imponha. Outras tarefas e outras famílias estão simplesmente fora do que foi checado: algumas vão puxar o torch quando você chamá-las, e umas poucas podem por acaso funcionar. Trate qualquer coisa além desta lista como não testada, e não como suportada ou quebrada.

Dentro dela, os resultados são idênticos aos da instalação normal, não apenas próximos. Cada família foi exportada para ONNX e rodada duas vezes, uma vez normalmente e outra com o torch bloqueado; os boxes, os scores e as classes bateram exatamente. Um teste de paridade na suíte impede que esse contrato saia do lugar.

As cinco coisas que pegam as pessoas

Use OnnxBackend, não as classes de modelo. LibreYOLO9("model.onnx") ainda exige o torch, porque LibreYOLO9 é ela mesma uma subclasse de nn.Module. Esse é o erro mais provável, já que todas as outras páginas destes docs carregam um modelo pela classe dele ou por LibreYOLO().

Exporte em outro lugar. Produzir o arquivo .onnx exige o torch, então a máquina leve não consegue criar um. Exporte em uma máquina de desenvolvimento ou de CI e mande o artefato para o alvo enxuto.

Os resultados carregam arrays do numpy. result.boxes.xyxy aqui é um ndarray. Os containers aceitam qualquer um dos dois tipos, então os nomes dos atributos não mudam, mas código que chama .cpu() ou .numpy() em um resultado vai falhar.

Uma única imagem retorna um único Results. predict() retorna um Results para uma imagem e uma lista para várias. Indexar um resultado único com [0] seleciona a primeira detecção, não a primeira imagem, o que silenciosamente te dá um resultado de uma caixa em vez de levantar um erro.

A CLI não vai funcionar. typer e click não estão nos quatro pacotes, então o comando libreyolo fica indisponível. Esta é uma instalação de biblioteca.

Predict

from libreyolo.backends.onnx import OnnxBackend model = OnnxBackend("libreyolo9t.onnx")result = model.predict("https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg") # xyxy aqui é um ndarray do numpy, não um tensor do torch.print(result.boxes.xyxy)print(result.boxes.conf)print(result.boxes.cls)

Troque onnxruntime por onnxruntime-gpu para rodar em CUDA. Os quatro pacotes são os que um predict() completo sem torch realmente importa, registrados durante a chamada em vez de deduzidos. opencv-python-headless entra no lugar do opencv-python declarado: mesmo módulo, sem bibliotecas de GUI, menor em disco.

Das dependências declaradas restantes, requests só é necessário para carregar uma imagem a partir de uma URL, pycocotools e scipy são validação e avaliação, e typer e click são a CLI.

Esta lista vai sair do lugar, por design

A lista de pacotes acima está correta para a versão indicada no topo desta página. --no-deps te tira da resolução de dependências, então nada checa isso por você, e uma versão posterior pode importar algo que não está listado aqui.

Se você bater em um ModuleNotFoundError, você já entende a técnica: instale o pacote que falta. Esse é o modelo de manutenção pretendido, e não um relatório de bug. Este caminho é best effort e não é uma distribuição suportada em separado, o que também é o motivo de não haver um segundo pacote leve no PyPI nem plano para um.

Para confirmar que seu ambiente está realmente sem torch em vez de estar caindo de volta em uma cópia instalada sem alarde, garanta isso com um assert:

import importlib.util

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

Vale manter essa checagem no CI da imagem enxuta. Sem ela, um ambiente que por acaso tenha o torch vai passar em todos os testes e não vai te dizer nada.