Python API

LibreYOLO 的公开 Python 接口就是 libreyolo/__init__.py 里的 __all__ 列表。这个页面上的所有名字都能用 from libreyolo import <name> 导入；不在那个列表里的都是内部实现。

入口

有五个可调用对象负责加载模型。它们按调用约定划分，而不是按架构划分。

工厂函数	加载什么	调用时的提示	需要的额外依赖（extra）
`LibreYOLO`	无提示家族，靠嗅探检查点（checkpoint）或文件后缀
`LibreSAM`	可提示的分割器，按尺寸别名	点、检测框或概念文本	`sam`
`LibreVLM`	生成式视觉语言检测器，按别名	类别词表或自由形式的提示	`vlm`
`LibreOpenVocab`	以文本为条件的检测器，按别名	类别词表	`openvocab`
`LibreEnsemble`	两个或更多检测器，融合成一个接口

五个入口

from libreyolo import LibreYOLO, LibreEnsemble # 面向无提示家族的权重嗅探工厂函数detector = LibreYOLO("LibreYOLO9t.pt") # 两个或更多检测器，共用一个预测接口ens = LibreEnsemble(["LibreYOLO9t.pt", "LibreYOLO9s.pt"]) # 另外三个工厂函数需要安装额外依赖：#   pip install 'libreyolo[sam]'        -> from libreyolo import LibreSAM#   pip install 'libreyolo[vlm]'        -> from libreyolo import LibreVLM#   pip install 'libreyolo[openvocab]'  -> from libreyolo import LibreOpenVocabprint(type(detector).__name__, ens.fusion)

LibreYOLO 是唯一读取文件的那个。另外三个接受一个字符串别名，并把它解析成一个 Hugging Face 仓库，所以那个参数是模型名而不是路径。

python

LibreYOLO(    model_path: str,    size: str | None = None,    reg_max: int = 16,    nb_classes: int | None = None,    device: str = "auto",    task: str | None = None,    compute_units: str = "all",)

model_path 接受 .pt 检查点、ONNX 的 .onnx 文件、ExecuTorch 的 .pte、 MNN 的 .mnn、TensorRT 的 .engine、OpenVINO、Paddle 或 ncnn 目录，也接受 Triton 的 HTTP 或 HTTPS 模型 URL。省略时，size 和 nb_classes 从检查点里读取。 compute_units 只在加载 CoreML .mlpackage 时才会读取，取值是 all、 cpu_only、cpu_and_gpu、cpu_and_ne 之一。task 接受 libreyolo.tasks.TASKS 里的任意规范任务名。

用一个工厂函数加载任何模型

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # 单张图像的源返回一个 Results；列表或目录# 返回由它们组成的列表result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)print(result.names)

直接导入家族类

from libreyolo import LibreYOLO9, SAMPLE_IMAGE model = LibreYOLO9("LibreYOLO9t.pt", size="t")result = model(SAMPLE_IMAGE) print(len(result))

家族类

工厂函数能返回的每个家族也都按名字导出，所以提前知道检查点是哪个时，可以直接构造对应的类。构造函数遵循 BaseModel.__init__：

python

Family(model_path, size, nb_classes=80, device="auto", task=None, **kwargs)

在家族类上 size 没有默认值，这就是它和工厂函数的区别。YOLO9 及其变体在 size 之后插入 reg_max: int = 16。

检测与多任务家族：LibreYOLO9、LibreYOLO9E2E、 LibreYOLO9P2、LibreYOLONAS、LibreYOLOX、LibreYOLO7、LibreYOLO4、 LibreYOLO3、LibreYOLO2、LibreYOLO1、LibreRTDETR、LibreRTDETRv2、 LibreRTDETRv4、LibreRFDETR、LibreDFINE、LibreDOMEDETR、LibreDEIM、 LibreDEIMv2、LibreDETR、LibreDeformableDETR、LibreDINODETR、 LibreLWDETR、LibreMaskRCNN、LibreFCOS、LibreFasterRCNN、 LibreRetinaNet、LibreSSD、LibreCenterNet、LibreEfficientDet、 LibreEC、LibrePICODET、LibreRTMDet、LibreFOMO。

稠密预测家族：LibreMiDaS、LibreDepthAnythingV2、 LibreDepthAnything3、LibreZipDepth、LibreMoGe2、LibreTEED、 LibreDexiNed、LibreNAFNet、LibreRealESRGAN、LibreSwinIR、 LibreBiRefNet、LibreFeyNobg、LibreFCN、LibreEoMT、LibreDeepLabv3、 LibrePIDNet、LibreSegformer、LibreLingBotVision。

分类与嵌入向量家族：LibreViT、LibreMobileNetV4、 LibreConvNeXt、LibreDeiT、LibreSwin、LibreEfficientNetV2、LibreVGG、 LibreResNet、LibreAlexNet、LibreCLIP、LibreSigLIP2、LibreDINOv2。

其他任务：LibreHRNet（pose）、LibreL2CS（gaze）、LibrePPOCR（ocr）、 LibreFaceEmbedder（embed）。

兄弟层级也导出各自的家族类：LibreSAM1、LibreSAM2、 LibreSAM3、LibreEdgeTAM、LibreMobileSAM、LibrePicoSAM3； LibreGroundingDINO、LibreOWLv2、LibreOMDetTurbo；LibreLFM2VL、 LibreQwen3VL、LibreSmolVLM2、LibreInternVL3、LibreFlorence2、 LibreKosmos2、LibreLocateAnything、LibreMODUS（也写作 LibreModus）。

预测接口

调用模型就会跑推理。predict 是 __call__ 的别名，两者可以互换。

python

model(    source=None,    *,    conf=0.25,    iou=0.45,    imgsz=None,    device=None,    classes=None,    max_det=300,    augment=False,    save=False,    batch=1,    stream=False,    stream_buffer=False,    vid_stride=1,    show=False,    output_path=None,    color_format="auto",    tiling=False,    overlap_ratio=0.2,    output_file_format=None,    cuda_graph=False,    **kwargs,)

单张图像的源返回一个 Results。列表、元组或目录返回由它们组成的列表，而 stream=True 返回一个生成器。模型对象上的其他方法记录在模型 API 页面。

Results 载荷

Results 和它的十八个载荷类都在包层面导出： Results、Boxes、Masks、Keypoints、Points、Probs、OBB、Gaze、 SemanticMask、PanopticSegmentation、DepthMap、EdgeMap、NormalMap、 RestoredImage、Matte、Meshes、OCRRegions、Embeddings、Identities。每一个都在 Results 类型里有说明。

后端

导出的产物通过 LibreYOLO() 按文件后缀加载，所以后端类很少需要手工构造。把它们导出来，是为了应对必须显式选择后端的场合：OnnxBackend、OpenVINOBackend、 PaddleBackend、TensorRTBackend、TritonBackend、NcnnBackend、 CoreMLBackend，外加 create_triton_config。BaseExporter 是 model.export() 背后的导出器注册表（registry）。

验证器

model.val() 按任务分发到对应的验证器，所以这些类导出出来供直接使用和继承： DetectionValidator、SegmentationValidator、PoseValidator、SemanticValidator、 PanopticValidator、DepthValidator、NormalValidator、EdgeValidator，以及共用的 ValidationConfig。

跟踪

model.track() 按名字选择跟踪器。跟踪器类和它们的配置 dataclass 也都导出了： ByteTracker 配 TrackConfig、BoTSortTracker 配 BoTSortConfig、 OCSortTracker 配 OCSortConfig。

数据辅助函数

DATASETS_DIR 是解析后的数据集根目录，load_data_config 读取数据集 YAML， check_dataset 验证一份数据集。数据集格式里点名的那些任务专用加载器住在 libreyolo.data，而不在包层面。

底库与蒸馏

Gallery 和 FaceGallery 为 embed 任务保存注册进来的身份向量，构成底库（gallery），并产出 Identities 载荷。Distiller 和 get_distill_config 驱动师生训练。

资源

SAMPLE_IMAGE 是随包附带的一张图像的绝对路径，所以这份文档里的每个代码片段都不用先下载图片就能跑。

延迟导入与改名的类

大多数兄弟层级的名字、后端、验证器和数据辅助函数都通过模块级的 __getattr__ 解析，所以 import libreyolo 不会导入它们的依赖。缺少所需的额外依赖时，导入仍然会带着清晰的报错信息失败。

有两个类改了名，旧写法仍然可以解析，但会带一条 DeprecationWarning： LibreYOLORTDETR 现在叫 LibreRTDETR，LibreYOLORFDETR 现在叫 LibreRFDETR。