LibreYOLO на CVPR 2026: запуск детекции объектов на edge-устройствах

LibreYOLO побывала на CVPR 2026.

CVPR широко признана самой престижной конференцией по компьютерному зрению в мире. В этом году она проходила в Денвере, где команда Jabra и IT University of Copenhagen провела учебное занятие «Edge AI in Action: Mastering On-Device Inference». В качестве примера модели для переноса детекции объектов на edge-чипы команда выбрала LibreYOLOXs.

Что они собрали

На занятии показали полный edge-пайплайн от начала до конца. Сначала берут модель LibreYOLOXs. Экспортируют её в ONNX. Затем компилируют ONNX для двух совершенно разных типов оборудования: ускорителя Hailo-8L и Qualcomm Snapdragon.

Работа в реальном времени на Hailo-8L

Они скомпилировали ONNX в HEF с помощью Hailo Dataflow Compiler, а затем запустили модель на Raspberry Pi 5 с Hailo-8L AI HAT.

На Raspberry Pi обработка занимала 19.0 ms на кадр, что соответствует 52.6 FPS.

Работа в реальном времени на Snapdragon

Для Qualcomm они квантизировали LibreYOLOXs до INT8 и запустили её через стек SNPE, QAIRT и AI Hub. Бенчмарк провели на QCS6490.

Задержка на HTP/DSP составила 6.69 ms.

Благодарности

Большое спасибо Sai Narsi Reddy Donthi Reddy, Fabricio Batista Narcizo, Elizabete Munzlingera и Shan Ahmed Shaffi за то, что рассказали о проекте.

• Учебное занятие и слайды: Edge AI in Action: Mastering On-Device Inference
• Квантизированные для Qualcomm модели LibreYOLOXs: на Hugging Face

Попробуйте

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLOXs.pt")
model.export(format="onnx")   # then compile for your edge target

LibreYOLO распространяется под MIT, работает в Linux, Mac и Windows, а также на GPU, Apple Silicon и обычном CPU без изменений кода. Один API охватывает YOLOX, RF-DETR, D-FINE, DEIM, YOLO-NAS, сегментацию, оценку позы, оценку глубины и другие задачи.

Поставьте звезду на GitHub: github.com/LibreYOLO/libreyolo | Документация: libreyolo.com/docs