0
0

win10下 yolov8 tensorrt模型加速部署【实战】

Windows10下yolov8 tensorrt模型加速部署【实战】

TensorRT-Alpha基于tensorrt+cuda c++实现模型end2end的gpu加速，支持win10、linux，在2023年已经更新模型：YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pphumanseg,u2net,EfficientDet。
关注仓库《TensorRT-Alpha》：https://github.com/FeiYull/TensorRT-Alpha
Linux tensorrt yolov8保姆教程: https://blog.csdn.net/m0_72734364/article/details/128758544

一、加速结果展示

1.1 性能速览

🚀快速看看yolov8n 在移动端RTX2070m(8G)的新能表现：
modelvideo resolutionmodel input sizeGPU Memory-UsageGPU-Utilyolov8n1920x10808x3x640x6401093MiB/7982MiB14%
下图是yolov8n的运行时间开销，单位是ms：
在这里插入图片描述

更多TensorRT-Alpha测试录像在B站视频：
B站：YOLOv8n
B站：YOLOv8s

在这里插入图片描述

1.2精度对齐

下面是左边是python框架推理结果，右边是TensorRT-Alpha推理结果。
yolov8n : Offical( left ) vs Ours( right )

yolov8n : Offical( left ) vs Ours( right )

在这里插入图片描述

yolov7-tiny : Offical( left ) vs Ours( right )

在这里插入图片描述

yolov6s : Offical( left ) vs Ours( right )

在这里插入图片描述

yolov5s : Offical( left ) vs Ours( right )

YOLOv4 YOLOv3 YOLOR YOLOX略。

二、Windows10环境配置

三步解决win环境配置：

  • 1、安装vs2019、Nvidia驱动、cuda，cudnn、opencv、tensorrt；
  • 2、创建属性表；
  • 3、工程设置，运行； 问题：为什么使用vs2019属性表，而不用cmake？ 回答：因为属性表可以做到：一次创建，到处使用。 提示：如果您一定需要使用cmake+vs2019 or cmake + clion，请参考附录，这是一位热心观众的方法，供参考。

2.1 安装VS2019

需要Microsoft账号，如果您有别的途径下载安装也可以。

2.2 安装库

注：Nvidia相关网站需要注册账号。

2.2.1 安装Nvidia显卡驱动

nvidia-smi

看到如下信息表明驱动正常：
请添加图片描述

2.2.2 安装 cuda11.2

nvcc -V

CMD窗口打印如下信息表示cuda11.2安装正常

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c)2005-2020 NVIDIA Corporation
Built on Mon_Nov_30_19:15:10_Pacific_Standard_Time_2020
Cuda compilation tools, release 11.2, V11.2.67
Build cuda_11.2.r11.2/compiler.29373293_0

note:cuda11.2 不需要手动设置环境变量，如下图，环境变量都是自动设置的。
请添加图片描述

2.2.3 安装 cudnn8.2.1

  • 进入网站：https://developer.nvidia.com/rdp/cudnn-archive
  • 选择： Download cuDNN v8.2.1 (June 7th, 2021), for CUDA 11.x
  • 选择： cuDNN Library for Windows (x86)
  • 你将会下载这个压缩包: “cudnn-11.3-windows-x64-v8.2.1.32_2.zip”
  • 解压之后，cudnn的头文件、库文件都要拷贝到cuda安装目录。
  • 如下图，进入cudnn解压所在文件夹中include，拷贝所有头文件，粘贴到CUDA/v11.2/include中
  • lib、bin中的文件也拷贝到对应cuda目录中
  • 重启系统请添加图片描述

2.2.4 下载 tensorrt8.4.2.4

  • 进入网站： https://developer.nvidia.cn/nvidia-tensorrt-8x-download
  • 把这个打勾： I Agree To the Terms of the NVIDIA TensorRT License Agreement
  • 选择: TensorRT 8.4 GA Update 1
  • 选择: TensorRT 8.4 GA Update 1 for Windows 10 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 ZIP Package
  • 你将会下载这个压缩包: “TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4.zip”
  • 解压到F:\ThirdParty，并重命名为：TensorRT-8.4.2.4
  • 并将路径"F:\ThirdParty\TensorRT-8.4.2.4\lib"添加到环境变量，如下图：
  • 重启系统请添加图片描述

2.2.5 OpenCV4.5.5安装

  • 进入：https://opencv.org/releases/
  • 选择：[OpenCV – 4.5.5] -> [Windows]
  • 下载完成之后，是一个exe的自解压格式，解压到：D:\ThirdParty
  • 并将路径：“D:\ThirdParty\opencv4.5.5\build\bin” 和 "D:\ThirdParty\opencv4.5.5\build\x64\vc15\bin"添加到环境变量，如下图：
  • 重启系统 note：我的opencv在D盘，tensorrt在E盘，根据实际情况修改就行了。请添加图片描述

2.3 创建属性表

一般地，Visual Studio 2019，一个库对应两个属性表文件，分别对应：vs2019的debug模式和release模式，例如：本文中OpenCV创建了这两种。而TensorRT和CUDA只需要创建一种属性表(适用以上两种模式)。

2.3.1 创建OpenCV属性表

创建opencv库debug属性表：

  • step1：基于VS2019随便新建一个C++项目，如下图，项目设置为Debug、X64模式请添加图片描述
  • step2：如下图，选择：[属性窗口] -> [右击Debug|x64] -> [添加新项目属性表]请添加图片描述
  • step3：文件命名为：OpenCV4.5.5_DebugX64.props -> [添加]
  • 编辑属性表：[如下图：双击属性表]请添加图片描述
  • step4：如下图，选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑]请添加图片描述
  • step5：如下图，将两个OpenCV两个头文件目录拷贝进去 -> [确认]请添加图片描述
  • step6：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 将路径："D:\ThirdParty\opencv4.5.5\build\x64\vc15\lib"拷贝进去 -> [确认]
  • step7：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> 将文件名"opencv_world455d.lib"拷贝进去->[确认]小结： 到这里，opencv库debug属性表制作完成，release属性表和上述流程一样，唯一区别在于，如下图，项目切换到Release x64模式，新建OpenCV4.5.5_ReleaseX64属性表，然后在step7中，将文件名修改为：“opencv_world455.lib”请添加图片描述 请记住，制作属性表就3个步骤：
  • 拷贝include路径
  • 拷贝lib路径，外加设置dll到系统环境变量
  • 拷贝lib文件名称

2.3.2 创建TensorRT属性表

右击Debug|x64 or 右击Release|x64新建属性表，重命名为：TensorRT8.4.2.4_X64，

# include路径
F:\ThirdParty\TensorRT-8.4.2.4\include
F:\ThirdParty\TensorRT-8.4.2.4\samples\common
F:\ThirdParty\TensorRT-8.4.2.4\samples\common\windows
# lib路径
F:\ThirdParty\TensorRT-8.4.2.4\lib
# lib文件名称（for release& debug）
nvinfer.lib
nvinfer_plugin.lib
nvonnxparser.lib
nvparsers.lib

依照上一节3个步骤：

  • step1：选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑] -> 把上述3个include路径拷贝进去
  • step2：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 把上述lib路径拷贝进去
  • step3：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> [编辑] -> 将上述lib文件名称拷贝进去->[确认] 最后，修改tensorrt属性表：[通用属性] -> [C/C++] -> [预处理器] -> [预处理器定义] -> 添加指令：_CRT_SECURE_NO_WARNINGS -> [确认]

2.3.3 创建CUDA属性表

CUDA属性表直接白嫖官方，在路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions\CUDA 11.2.props

最后，我们应该有了如下属性表文件：
请添加图片描述
其中，cuda 和tensorrt的属性表同时兼容release x64 和debug x64，你再新建TensorRT-Alpha中yolov8 yolov7 yolov6 等项目后，只需要把上述提前做好的属性表引入到工程就行了，当然项目还需要进行简单设置(设置NVCC，避免tensorrt的坑)，在后文提到。属性表做到了一次新建，到处使用。

三、YOLOv8模型部署

Windows10环境安装YOLOv8，参考我的另一篇《Win10环境下yolov8快速配置与测试》：https://blog.csdn.net/m0_72734364/article/details/128815530

3.1 获取YOLOv8onnx文件

直接在网盘下载 weiyun or google driver 或者使用如下命令导出onnx:

# 🔥 yolov8 官方仓库: https://github.com/ultralytics/ultralytics# 🔥 yolov8 官方教程: https://docs.ultralytics.com/quickstart/# 🚀TensorRT-Alpha will be updated synchronously as soon as possible!# 安装 yolov8
conda create -n yolov8 python==3.8-y
conda activate yolov8
pip installultralytics==8.0.5
pip installonnx==1.12.0

# 下载官方权重(".pt" file)
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x6.pt

导出 onnx:

# 640
yolo mode=export model=yolov8n.pt format=onnx dynamic=True    #simplify=True
yolo mode=export model=yolov8s.pt format=onnx dynamic=True    #simplify=True
yolo mode=export model=yolov8m.pt format=onnx dynamic=True    #simplify=True
yolo mode=export model=yolov8l.pt format=onnx dynamic=True    #simplify=True
yolo mode=export model=yolov8x.pt format=onnx dynamic=True    #simplify=True# 1280
yolo mode=export model=yolov8x6.pt format=onnx dynamic=True   #simplify=True

3.2 编译 onnx

# trtexec.exe在路径：F:\ThirdParty\TensorRT-8.4.2.4\bin# 640../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8n.onnx  --saveEngine=yolov8n.trt  --buildOnly--minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8s.onnx  --saveEngine=yolov8s.trt  --buildOnly--minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8m.onnx  --saveEngine=yolov8m.trt  --buildOnly--minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8l.onnx  --saveEngine=yolov8l.trt  --buildOnly--minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8x.onnx  --saveEngine=yolov8x.trt  --buildOnly--minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
# 1280../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8x6.onnx  --saveEngine=yolov8x6.trt  --buildOnly--minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280

你将会的到例如：yolov8n.trt、yolov8s.trt、yolov8m.trt等文件。

3.3 编译运行

3.3.1 新建、设置项目
下载TensorRT-Alpha仓库：

git clone https://github.com/FeiYull/tensorrt-alpha
  • 新建yolov8 C++项目：参考B站视频【提示：从0分34秒开始，演示如何设置NVCC编译，如何避免tensorrt在win环境的坑】： yolov8 tensorrt 实战之先导小结： 后续创建TensorRT-Alpha中YOLOv7、 YOLOv6等工程之后，只需要将上文中的属性表添加到工程，然后按照《yolov8 tensorrt 实战之先导》提到的设置工程就OK。 这篇教程太详细了，这年头，好像很少有人愿意免费给出这么诚意的教程。

3.3.2 编译运行
上面视频在vs2019中设置命令行参数，您也可以在CMD命令行上运行程序，如下：

# 下面参数解释# --show 表示可视化结果# --savePath 表示保存，默认保存在build目录# --savePath=../ 保存在上一级目录## 640# 推理图片
./app_yolov8.exe  --model=../../data/yolov8/yolov8n.trt --size=640--batch_size=1--img=../../data/6406407.jpg   --show--savePath
./app_yolov8.exe  --model=../../data/yolov8/yolov8n.trt --size=640--batch_size=8--video=../../data/people.mp4  --show--savePath# 推理视频
./app_yolov8.exe  --model=../../data/yolov8/yolov8n.trt     --size=640--batch_size=8--video=../../data/people.mp4  --show--savePath=../

# 在线推理相机视频
./app_yolov8.exe  --model=../../data/yolov8/yolov8n.trt     --size=640--batch_size=2--cam_id=0--show## 1280# infer camera
./app_yolov8.exe  --model=../../data/yolov8/yolov8x6.trt     --size=1280--batch_size=2--cam_id=0--show

我的B站所有视频都在WIN10环境运行，https://space.bilibili.com/2028719613

yolov8 tensorrt cuda模型推理加速部署TensorRT-Alpha《ski facility》

yolov8 tensorrt cuda模型推理加速部署TensorRT-Alpha《NewYork-Stree》

yolov7 tensorrt cuda模型推理加速部署TensorRT-Alpha《Korea-Night》

四、参考

https://github.com/FeiYull/TensorRT-Alpha

附录

一位热心小伙做的，他好努力，前几天经常半夜2点、3点给我留言，太卷了，奋斗精神值得学习。
请添加图片描述

https://www.bilibili.com/video/BV1SM411i7km/?spm_id_from=333.999.0.0&vd_source=a96c9c3f099f4167807291a34fd50fd5

标签： YOLO 目标检测 计算机视觉
本文转载自: https://blog.csdn.net/m0_72734364/article/details/128865904
版权归原作者 FeiYull_ 所有， 如有侵权，请联系我们删除。
登录后发布评论

“win10下 yolov8 tensorrt模型加速部署【实战】”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

【Linux】编译器gcc/g++、动静态库

IDEA 好用的插件分享

本地Docker部署开源可视化实时监控工具Netdata并实现远程监测系统性能数据

大数据实训室中，高职大数据可视化开发技术实训课程改革研究

27.＜Spring博客系统③（实现用户退出登录接口+发布博客+删除/编辑博客）＞

Linux本地部署开源项目OpenHands基于AI的软件开发代理平台及公网访问

自动驾驶安全方向论文阅读

文章导航