LibreYOLO 是一个采用 MIT 许可证的开源计算机视觉库，pip 一行命令安装，3 行代码即可跑通 YOLO 目标检测。它把检测、分割、姿态、深度、OCR 等二十种任务收进同一套精简 API，训练和模型导出也是内置提供，而不是单独收费的插件。本文带你从零开始，5 分钟内完成安装、推理、看结果、换任务、训练和导出的完整流程。

一、LibreYOLO 能做什么？

一句话概括：一个 API，二十种任务。

• 🎯目标检测：YOLOv9、RF-DETR、YOLOX、RT-DETR 等 20+ 模型家族
• ✂️分割：实例分割、语义分割、全景分割、SAM 系列提示分割
• 🏃姿态估计、旋转框（OBB）、3D 检测
• 📏深度估计、边缘检测、表面法线
• 📷图像复原、背景移除、OCR 文字识别
• 🧠开放词汇检测与视觉语言模型（VLM）

最棒的是，它兼容标准 YOLO 格式数据集，你现有的 YOLO 工作流几乎不用改就能迁移过来。模型支持清单详见 README.md 中的 "What ships" 表格。

二、安装步骤：pip 一行命令搞定

打开终端，执行：

pip install libreyolo

就这么简单 ✅ 基础安装已包含 YOLOv9 等核心检测器、训练和推理能力。

装完后建议跑一条自检命令，验证环境和 CUDA 是否就绪：

libreyolo checks

它会自动诊断安装、GPU 和可选导出后端的问题——以后遇到奇怪错误，第一件事就是运行它。

💡 需要 ONNX、TensorRT 等导出后端或 RF-DETR 等重型模型时，再按需安装扩展依赖，例如pip install "libreyolo[rfdetr,onnx]"。完整分组见 pyproject.toml 的optional-dependencies段落。

三、3行代码跑通目标检测

新建一个 Python 脚本，写入这 3 行代码：

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") result = model(SAMPLE_IMAGE, save=True)

运行后发生了什么？

1. 自动下载权重：首次使用LibreYOLO9t.pt会自动下载，之后走缓存
2. 自动使用库内示例图：SAMPLE_IMAGE就是仓库里那张街头跑酷照片 libreyolo/assets/parkour.jpg
3. save=True自动保存标注图：结果默认写到runs/detect/目录下

检测结果长这样——每个人都被检测框圈出，并标上类别和置信度。

想把结果取到代码里而不是只看图片？result是一个Results对象：

len(result) # 检测到几个目标 result.boxes.xyxy # (N, 4) 边界框坐标 result.boxes.conf # 置信度 result.names # 类别 id → 名称映射

四、命令行方式：不想写代码也可以

LibreYOLO 的 CLI 与 Python API 完全镜像，同样是predict、train、val、export四个动词。检测一行搞定：

libreyolo predict --model yolo9-t --source parkour.jpg --conf 0.25 --save

输入源远不止图片文件——它还能指向摄像头、RTSP 流、视频、目录甚至屏幕：

libreyolo predict --model yolo9-t --source 0 --show # 摄像头实时检测 libreyolo predict --model yolo9-t --source screen --show # 屏幕捕获

常用参数如conf（置信度阈值）、iou（NMS 阈值）、imgsz（输入尺寸）都写在 libreyolo/cli/commands/predict.py 中，执行libreyolo predict --help可随时查阅。

五、换任务只需换一个权重文件

这是 LibreYOLO 最优雅的设计：同样的三行代码，只有 checkpoint 名字不同：

不确定有哪些模型？执行libreyolo models列出全部家族、尺寸和精确文件名。

六、进阶三步：训练、验证、导出

训练——只要有一个 YOLO 格式数据集 YAML（如coco8.yaml）：

model = LibreYOLO("LibreYOLO9t.pt") model.train(data="dataset.yaml", epochs=100, imgsz=640)

多 GPU、LoRA、层冻结、蒸馏、TensorBoard/W&B 等日志器全都内置，配置项参考 libreyolo/training/。

导出部署——一条命令导出到 12 种格式（ONNX、TensorRT、OpenVINO、CoreML、TFLite 等）：

libreyolo export --model yolo9-t --format onnx

导出的模型还能用同一个LibreYOLO(...)构造器直接加载推理，部署不是断头路。导出模块位于 libreyolo/export/。

七、遇到问题怎么办？🛠️

更多技巧可阅读仓库内置的使用指南 skills/use-libreyolo/SKILL.md。

小结：5分钟，你已经会了

1. ✅pip install libreyolo安装
2. ✅ 3 行 Python 代码完成 YOLO 目标检测
3. ✅ 命令行predict支持摄像头、视频、屏幕
4. ✅ 换权重文件即可切换二十种视觉任务
5. ✅ 训练 + 12 格式导出内置，从实验到部署一条龙

MIT 许可证、API 小巧、兼容 YOLO 生态——LibreYOLO 值得成为你工具箱里的第一件视觉工具。🚀