在上一篇中我们使用自己的数据集训练了一个yolov8检测模型，best.py。

yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）-CSDN博客

yolov8实战第二天——yolov8训练结果分析（保姆式解读）-CSDN博客

接下要对best.py进行TensorRT优化并部署。

TensorRT是一种高性能深度学习推理优化器和运行时加速库，可以为深度学习应用提供低延迟、高吞吐率的部署推理。

TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。

TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速和高效的部署推理。

一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。但在部署推理时，为了降低成本，往往使用单个GPU机器甚至嵌入式平台（比如 NVIDIA Jetson）进行部署，部署端也要有与训练时相同的深度学习环境，如caffe，TensorFlow等。

由于训练的网络模型可能会很大（比如，inception，resnet等），参数很多，而且部署端的机器性能存在差异，就会导致推理速度慢，延迟高。这对于那些高实时性的应用场合是致命的，比如自动驾驶要求实时目标检测，目标追踪等。

为了提高部署推理的速度，出现了很多模型优化的方法，如：模型压缩、剪枝、量化、知识蒸馏等，这些一般都是在训练阶段实现优化。

而TensorRT 则是对训练好的模型进行优化，通过优化网络计算图提高模型效率。

一、安装TensorRT  

Log in | NVIDIA Developer

下载TensorRT 。

我下载的是8.6里画黑线的那个。 

将 TensorRT-8.6.1.6\include中头文件 copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\include

将TensorRT-8.6.1.6\lib 中所有lib文件 copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\lib\x64

将TensorRT-8.6.1.6\lib 中所有dll文件copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\bin

在python文件夹中找到适合自己的。

<code>pip install tensorrt-8.6.1-cp310-none-win_amd64.whl

 至此TensorRT安装完成。

 二、pt转onnx：

GitHub - triple-Mu/YOLOv8-TensorRT: YOLOv8 using TensorRT accelerate !

参考着这个，下载，安装环境后。

安装onnx：

<code>pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install onnxsim -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install onnxruntime -i https://pypi.tuna.tsinghua.edu.cn/simple

生成onnx： 

python export-det.py --weights yolov8n.pt --iou-thres 0.65 --conf-thres 0.25 --topk 100 --opset 11 --sim --input-shape 1 3 640 640 --device cuda:0

使用上篇文章中的老鼠模型做了测试： 

onnx的测试代码：

<code>import onnxruntime as rt

import numpy as np

import cv2

import matplotlib.pyplot as plt

def nms(pred, conf_thres, iou_thres):

conf = pred[..., 4] > conf_thres

box = pred[conf == True]

cls_conf = box[..., 5:]

cls = []

for i in range(len(cls_conf)):

cls.append(int(np.argmax(cls_conf[i])))

total_cls = list(set(cls))

output_box = []

for i in range(len(total_cls)):

clss = total_cls[i]

cls_box = []

for j in range(len(cls)):

if cls[j] == clss:

box[j][5] = clss

cls_box.append(box[j][:6])

cls_box = np.array(cls_box)

box_conf = cls_box[..., 4]

box_conf_sort = np.argsort(box_conf)

max_conf_box = cls_box[box_conf_sort[len(box_conf) - 1]]

output_box.append(max_conf_box)

cls_box = np.delete(cls_box, 0, 0)

while len(cls_box) > 0:

max_conf_box = output_box[len(output_box) - 1]

del_index = []

for j in range(len(cls_box)):

current_box = cls_box[j]

interArea = getInter(max_conf_box, current_box)

iou = getIou(max_conf_box, current_box, interArea)

if iou > iou_thres:

del_index.append(j)

cls_box = np.delete(cls_box, del_index, 0)

if len(cls_box) > 0:

output_box.append(cls_box[0])

cls_box = np.delete(cls_box, 0, 0)

return output_box

def getIou(box1, box2, inter_area):

box1_area = box1[2] * box1[3]

box2_area = box2[2] * box2[3]

union = box1_area + box2_area - inter_area

iou = inter_area / union

return iou

def getInter(box1, box2):

box1_x1, box1_y1, box1_x2, box1_y2 = box1[0] - box1[2] / 2, box1[1] - box1[3] / 2, \

box1[0] + box1[2] / 2, box1[1] + box1[3] / 2

box2_x1, box2_y1, box2_x2, box2_y2 = box2[0] - box2[2] / 2, box2[1] - box1[3] / 2, \

box2[0] + box2[2] / 2, box2[1] + box2[3] / 2

if box1_x1 > box2_x2 or box1_x2 < box2_x1:

return 0

if box1_y1 > box2_y2 or box1_y2 < box2_y1:

return 0

x_list = [box1_x1, box1_x2, box2_x1, box2_x2]

x_list = np.sort(x_list)

x_inter = x_list[2] - x_list[1]

y_list = [box1_y1, box1_y2, box2_y1, box2_y2]

y_list = np.sort(y_list)

y_inter = y_list[2] - y_list[1]

inter = x_inter * y_inter

return inter

def draw(img, xscale, yscale, pred):

img_ = img.copy()

if len(pred):

for detect in pred:

detect = [int((detect[0] - detect[2] / 2) * xscale), int((detect[1] - detect[3] / 2) * yscale),

int((detect[0]+detect[2] / 2) * xscale), int((detect[1]+detect[3] / 2) * yscale)]

img_ = cv2.rectangle(img, (detect[0], detect[1]), (detect[2], detect[3]), (0, 255, 0), 1)

return img_

if __name__ == '__main__':

height, width = 640, 640

img0 = cv2.imread('mouse-4-6-0004.jpg')

x_scale = img0.shape[1] / width

y_scale = img0.shape[0] / height

img = img0 / 255.

img = cv2.resize(img, (width, height))

img = np.transpose(img, (2, 0, 1))

data = np.expand_dims(img, axis=0)

sess = rt.InferenceSession('best.onnx')

input_name = sess.get_inputs()[0].name

label_name = sess.get_outputs()[0].name

pred = sess.run([label_name], {input_name: data.astype(np.float32)})[0]

pred = np.squeeze(pred)

pred = np.transpose(pred, (1, 0))

pred_class = pred[..., 4:]

pred_conf = np.max(pred_class, axis=-1)

pred = np.insert(pred, 4, pred_conf, axis=-1)

result = nms(pred, 0.3, 0.45)

ret_img = draw(img0, x_scale, y_scale, result)

ret_img = ret_img[:, :, ::-1]

plt.imshow(ret_img)

plt.show()

三、TensorRT部署

导出engine模型：

<code>python build.py --weights yolov8n.onnx --iou-thres 0.65 --conf-thres 0.25 --topk 100 --fp16 --device cuda:0

等待一会，engine成功导出。 

使用python脚本进行推理：

<code>python infer-det.py --engine yolov8n.engine --imgs data --show --out-dir outputs --out-dir outputs --device cuda:0

infer-det.py: 

from models import TRTModule # isort:skip

import argparse

from pathlib import Path

import cv2

import torch

from config import CLASSES, COLORS

from models.torch_utils import det_postprocess

from models.utils import blob, letterbox, path_to_list

def main(args: argparse.Namespace) -> None:

device = torch.device(args.device)

Engine = TRTModule(args.engine, device)

H, W = Engine.inp_info[0].shape[-2:]

# set desired output names order

Engine.set_desired(['num_dets', 'bboxes', 'scores', 'labels'])

images = path_to_list(args.imgs)

save_path = Path(args.out_dir)

if not args.show and not save_path.exists():

save_path.mkdir(parents=True, exist_ok=True)

for image in images:

save_image = save_path / image.name

bgr = cv2.imread(str(image))

draw = bgr.copy()

bgr, ratio, dwdh = letterbox(bgr, (W, H))

rgb = cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB)

tensor = blob(rgb, return_seg=False)

dwdh = torch.asarray(dwdh * 2, dtype=torch.float32, device=device)

tensor = torch.asarray(tensor, device=device)

# inference

data = Engine(tensor)

bboxes, scores, labels = det_postprocess(data)

if bboxes.numel() == 0:

# if no bounding box

print(f'{image}: no object!')

continue

bboxes -= dwdh

bboxes /= ratio

for (bbox, score, label) in zip(bboxes, scores, labels):

bbox = bbox.round().int().tolist()

cls_id = int(label)

cls = CLASSES[cls_id]

color = COLORS[cls]

cv2.rectangle(draw, bbox[:2], bbox[2:], color, 2)

cv2.putText(draw,

f'{cls}:{score:.3f}', (bbox[0], bbox[1] - 2),

cv2.FONT_HERSHEY_SIMPLEX,

0.75, [225, 255, 255],

thickness=2)

if args.show:

cv2.imshow('result', draw)

cv2.waitKey(0)

else:

cv2.imwrite(str(save_image), draw)

def parse_args() -> argparse.Namespace:

parser = argparse.ArgumentParser()

parser.add_argument('--engine', type=str, help='Engine file')code>

parser.add_argument('--imgs', type=str, help='Images file')code>

parser.add_argument('--show',

action='store_true',code>

help='Show the detection results')code>

parser.add_argument('--out-dir',

type=str,

default='./output',code>

help='Path to output file')code>

parser.add_argument('--device',

type=str,

default='cuda:0',code>

help='TensorRT infer device')code>

args = parser.parse_args()

return args

if __name__ == '__main__':

args = parse_args()

main(args)