LibreYOLO на CVPR 2026: запуск YOLOX на edge-пристроях

LibreYOLO завітала на CVPR 2026.

CVPR широко визнана найпрестижнішою конференцією з комп'ютерного зору у світі. Цього року вона проходила в Денвері, де команда Jabra та IT University of Copenhagen провела навчальний посібник під назвою «Edge AI in Action: Mastering On-Device Inference». Як приклад моделі для перенесення виявлення об'єктів на edge-чипи команда обрала LibreYOLOXs.

Що вони створили

У навчальному посібнику розглянули повний edge-пайплайн від початку до кінця. Спершу взяли модель LibreYOLOXs, експортували її в ONNX, а потім скомпілювали цю модель ONNX для двох зовсім різних пристроїв: прискорювача Hailo-8L і Qualcomm Snapdragon.

Робота в реальному часі на Hailo-8L

Вони скомпілювали ONNX у HEF за допомогою Hailo Dataflow Compiler, а потім запустили модель на Raspberry Pi 5 із Hailo-8L AI HAT.

На Raspberry Pi модель обробляла кадр за 19.0 ms зі швидкістю 52.6 FPS.

Робота в реальному часі на Snapdragon

На обладнанні Qualcomm вони квантували LibreYOLOXs до INT8 і запускали її через стек SNPE, QAIRT та AI Hub; бенчмарк виконали на QCS6490.

На HTP/DSP затримка становила 6.69 ms.

Подяка

Велика подяка Sai Narsi Reddy Donthi Reddy, Fabricio Batista Narcizo, Elizabete Munzlingera та Shan Ahmed Shaffi за те, що розповіли про проєкт.

• Навчальний посібник і слайди: Edge AI in Action: Mastering On-Device Inference
• Моделі LibreYOLOXs із квантуванням Qualcomm: на Hugging Face

Спробуйте

pip install libreyolo

from libreyolo import LibreYOLO

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

LibreYOLO поширюється за ліцензією MIT, працює на Linux, Mac і Windows, а також на GPU, Apple Silicon і звичайному CPU без змін у коді. Один API охоплює YOLOX, RF-DETR, D-FINE, DEIM, YOLO-NAS, сегментацію, оцінювання пози, глибину та інші задачі.

Поставте зірку на GitHub: github.com/LibreYOLO/libreyolo | Документація: libreyolo.com/docs