快速开始
走通 LibreYOLO 的最短路径：在一张图片上预测，在小数据集上训练，然后导出结果。这里的每条命令都能在 CPU 上跑。
- 安装
pip install libreyolo- 检查点
LibreYOLO9t.pt- 硬件
- 本页的所有内容用 CPU 就够了
安装
pip install libreyolo下面的预测和训练两节需要的就这些。导出为 ONNX 要多装一个 extra；完整列表见安装。
预测
from libreyolo import LibreYOLO, SAMPLE_IMAGE # 首次使用时下载检查点，之后缓存在 weights/ 下model = LibreYOLO("LibreYOLO9t.pt") # 单张图片返回一个 Results 对象result = model(SAMPLE_IMAGE, save=True) for box in result.boxes: print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())libreyolo predict model=yolo9-t save=True \ source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpgfrom libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True 每帧产出一个 Results，而不是先构建一个列表# 把路径换成摄像头编号、RTSP URL 或一个文件夹for result in model.predict("clip.mp4", stream=True, save=True): print(len(result.boxes))LibreYOLO() 是一个工厂函数。它读取文件，判断这份权重属于哪个家族，然后返回该家族的模型，所以换用另一个检测器只是改一行的事。传入不带目录的 LibreYOLO9t.pt，会相对工作目录去找 weights/LibreYOLO9t.pt，文件不在时就下载到那里。下载规则和离线使用方式见检查点与权重。
save=True 会在 runs/detect/ 下写出一份带标注的副本，放进每次运行递增编号的 predict 目录。返回的 Results 带有 boxes，names 把类别索引映射到它的标签。单张图片路径返回一个 Results；目录、图片列表或 stream=True 返回它们的列表或生成器。
训练
from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 是库自带的 8 张图片的数据集，首次使用时从 URL 下载，# 因此不需要执行任何脚本results = model.train( data="coco8.yaml", epochs=1, imgsz=640, batch=4, device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])libreyolo train model=yolo9-t data=coco8.yaml \ epochs=1 imgsz=640 batch=4 device=cpufrom libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() 返回一个普通 dict，不是对象metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])data 是一份数据集 YAML。coco8.yaml 随库一起提供，所以这段代码片段粘贴过去就能跑；不是自带的名字会按路径读取。数据集在 ~/datasets 下解析，设置了 LIBREYOLO_DATASETS_DIR 时则在该变量指向的位置解析。
一次运行写到 project/name，默认是 runs/train 下的一个目录，里面有 weights/best.pt 和 weights/last.pt。train() 返回一个字典，包含 save_dir、best_checkpoint、last_checkpoint、每轮的损失和每轮的验证指标。训练得到的检查点（checkpoint）通过 LibreYOLO() 加载，和预训练的完全一样。
并不是每个家族都能训练。只提供推理的家族在调用 train() 时会抛出 NotImplementedError 并说明这一点。核心概念解释了各个支持等级分别代表什么。
导出
from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() 返回它写出的路径path = model.export(format="torchscript")print(path) # 工厂函数按文件后缀分发，所以导出产物可以像检查点一样加载回来，# 并返回同样的 Results 对象exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640TorchScript 除了基础安装之外不需要任何东西。其他目标各有自己的 extra，而且覆盖范围是按家族、按任务来的，并不统一：见导出与部署。
每种格式都接受的参数包括 imgsz（一个整数，或者高和宽一对值）、batch（默认 1）、half、int8（配合一份用于校准的 data YAML）、dynamic（默认 True）、simplify（默认 True）、opset、device 和 output_path。省略 output_path 时，文件写到 weights/ 下，名字从检查点派生。