TFLite

TFLite 是 LiteRT 在移动端和嵌入式目标上执行的 FlatBuffer 格式。LibreYOLO 会导出一个静态 ONNX 图，用 onnx2tf 的 flatbuffer-direct 模式转换它，并把模型元数据以 JSON sidecar 的形式写在产物旁边。

标志: export(format="tflite")
输出: 一个 .tflite 文件，外加一个 .tflite.json 元数据 sidecar
额外依赖: pip install "libreyolo[tflite]"
重新加载方式: LibreYOLO("weights/LibreYOLO9t.tflite")
形状: 仅静态。dynamic=True 会被拒绝。
精度: 仅 FP32。half=True 和 int8=True 会被拒绝。
环境要求: Python 3.12 或更高版本，因为 onnx2tf 2.4.x 没有发布更早的 wheel

安装

# LiteRT 是 Google 现在给 TensorFlow Lite 用的名字，两个 extra 装的# 是同一套工具链，产出的 .tflite 也一样pip install "libreyolo[tflite]"

先确认 Python 版本

python -c "import sys; print(sys.version_info >= (3, 12))"

这个额外依赖会拉进 onnx2tf 做转换，拉进 ai-edge-litert 来运行结果，两者都挂在 Python 3.12 的版本标记后面。在更老的解释器上，导出会抛出一个点明版本要求的 ImportError，而不是在转换器内部失败。

libreyolo[litert] 装的是完全一样的东西。格式字符串 litert 是 tflite 的别名，两种写法输出的都是 .tflite 文件。

导出

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # 写入 weights/LibreYOLO9t.tflite 和 weights/LibreYOLO9t.tflite.jsonpath = model.export(format="tflite", imgsz=640)print(path)

CLI

libreyolo export --model LibreYOLO9t.pt --format tflite --imgsz 640 # "litert" 也是可接受的别名，解析到同一个导出器libreyolo export --model LibreYOLO9t.pt --format litert --imgsz 640

参数

model.export(    format="tflite",    imgsz=640,        # int，或者 (height, width)    batch=1,    simplify=True,    # 对 ONNX 中间产物跑 onnxsim    output_path=None, # None 输出 weights/<stem>.tflite    verbose=False,    # True 会实时打印 onnx2tf 日志) # dynamic=True 会抛出 ValueError：转换器需要静态形状# half=True 和 int8=True 在 trace 之前就会被拒绝

家族和任务会在其他任何事情之前先被检查，所以不支持的组合会立刻失败，报出的是当初把它挡在外面的那个具体的转换器或运行时错误，而不是一句笼统的提示。转换本身是在一个静态 ONNX 中间产物上，以 flatbuffer_direct 模式对 onnx2tf 的一次子进程调用。

元数据是一个 sidecar。weights/LibreYOLO9t.tflite.json 带着家族、任务、类别名、输入尺寸和姿态 schema；FlatBuffer 本身没有 LibreYOLO 的元数据字段，所以这两个文件要一起走。

运行产物

通过 LibreYOLO

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreYOLO9t.tflite")result = model.predict(SAMPLE_IMAGE)print(result.boxes.xyxy[:3])

直接使用 LiteRT

import json import numpy as npfrom ai_edge_litert.interpreter import Interpreter interpreter = Interpreter(model_path="weights/LibreYOLO9t.tflite")interpreter.allocate_tensors()detail = interpreter.get_input_details()[0]print(detail["shape"], detail["dtype"])   # NHWC，不是 NCHW interpreter.set_tensor(detail["index"], np.zeros(detail["shape"], np.float32))interpreter.invoke()for output in interpreter.get_output_details():    print(output["name"], interpreter.get_tensor(output["index"]).shape) # 类别名、任务和输入尺寸都在 sidecar 里meta = json.load(open("weights/LibreYOLO9t.tflite.json"))print(meta["model_family"], meta["task"], meta["names"]) # 预处理、NCHW 到 NHWC 的转置和后处理都归你自己做

LibreYOLO() 按 .tflite 后缀分发，返回和检查点（checkpoint）一样的 Results 对象。后端会读取 sidecar，在解释器要求 channels-last 输入时把 NCHW 的 blob 转置成 NHWC，在存在量化 scale 和 zero point 时套用解释器给出的值，并把输出转置回 LibreYOLO 后处理所期望的布局。

第二个片段是裸运行时的路径。在那条路上，预处理、布局转置、解码、NMS 和坐标缩放都归你自己做，而最容易被漏掉的正是布局这个细节：onnx2tf 产出的是 channels-last 输入，所以形状为 (1, 3, 640, 640) 的 blob 绑不上去。

限制

只支持静态形状。dynamic=True 会在 trace 之前抛出 ValueError，导出画布固定为 imgsz 最终解析出来的尺寸。

只支持 FP32。half=True 和 int8=True 都会在验证阶段被拒绝，所以今天还没法从这个导出器走到量化部署。

这里的覆盖面比图格式要窄，而且是按实测、而不是按家族来定的。已验证的组合包括 YOLO9、 YOLOX 和 YOLO-NAS 的检测，PIDNet 的语义分割，四个 CNN 分类家族，DINOv2 和 SigLIP2 的嵌入向量，SigLIP2 的分类，TEED 和 DexiNed 的边缘检测，以及 Real-ESRGAN 和 SwinIR 的复原。SwinIR 还多一条注意事项：只有当源尺寸和导出画布完全一致时一致性才成立，更小的源会先被填充到画布尺寸再交给 transformer，这可能和原生的可变尺寸推理有出入。

被拦下的条目会点明具体的失败原因，在动手找绕法之前值得先读一遍。举几个例子：RF-DETR 的检测能在它原生的 384 画布上转换，但 LiteRT 分配不了，因为 STRIDED_SLICE 收到的输入超出了它支持的 5 维秩；PicoDet 被拒是因为一个 RESHAPE 要把 19,200 个输入元素映射到 9,600 个输出元素；D-FINE 会在 GatherElements 的形状处理上把转换器搞崩；RTMDet 能导出也能重新加载，原始输出一致性完好，但公开检测框掉到 0.911 IoU，坐标漂移 29.9 px。

完整的家族与任务网格见导出矩阵。想查单个组合，包括被拦下时背后的原因字符串：

导出前检查某个家族和任务

libreyolo formats --family yolo9 --task detect