LibreYOLO 亮相 CVPR 2026

LibreYOLO 亮相了 CVPR 2026。

CVPR 被公认为全世界最具声望的计算机视觉会议。今年它在丹佛举办，来自 Jabra 和哥本哈根信息技术大学（IT University of Copenhagen）的一支团队在会上做了一场名为「Edge AI in Action: Mastering On-Device Inference」的教程。他们选用 LibreYOLOXs 作为示例模型，演示如何把目标检测部署到边缘芯片上。

他们做了什么

这场教程完整走通了从头到尾的边缘部署流水线。先拿到一个 LibreYOLOXs 模型。把它导出为 ONNX。然后把这个 ONNX 编译到两种截然不同的硬件上：一块 Hailo-8L 加速器，以及高通骁龙（Qualcomm Snapdragon）。

在 Hailo-8L 上实时运行

他们用 Hailo Dataflow Compiler 把 ONNX 编译成 HEF，然后在一块装了 Hailo-8L AI HAT 的树莓派 5 上运行。

它跑出了每帧 19.0 毫秒、52.6 FPS 的成绩，而且只是在一块树莓派上。

在 Snapdragon 上实时运行

在高通这边，他们把 LibreYOLOXs 量化为 INT8，并通过 SNPE、QAIRT 和 AI Hub 这套技术栈运行，在 QCS6490 上做了基准测试。

它在 HTP/DSP 上跑到了 6.69 毫秒。

致谢

非常感谢 Sai Narsi Reddy Donthi Reddy、Fabricio Batista Narcizo、Elizabete Munzlingera 和 Shan Ahmed Shaffi 对本项目的采用与展示。

• 教程与幻灯片：Edge AI in Action: Mastering On-Device Inference
• 高通量化版 LibreYOLOXs 模型：在 Hugging Face 上

上手试试

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLOXs.pt")
model.export(format="onnx")   # 然后为你的边缘目标硬件编译

LibreYOLO 采用 MIT 许可，可在 Linux、Mac 和 Windows 上运行，并且无需改动代码即可在 GPU、Apple Silicon 和普通 CPU 上工作。一套 API 覆盖 YOLOX、RF-DETR、D-FINE、DEIM、YOLO-NAS、分割、姿态、深度等更多任务。

在 GitHub 上点个 star：github.com/LibreYOLO/libreyolo | 文档：libreyolo.com/docs