NVIDIA ® TensorRT ™ 是一款用于高性能深度学习推理的 SDK，包含深度学习推理优化器和运行时，可为推理应用程序提供低延迟和高吞吐量。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。

在本文中，我们将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。下面看一下YOLOv10模型在TensorRT上的运行效果吧：

YOLOv10实现500FPS推理速度，快到离谱！！——使用 TensorRT C++ API 调用GPU加速部署YOLOv10实现快速预测

1. 前言

TensorRT是NVIDIA官方推出的一个高性能深度学习推理加速引擎，它能够使深度学习模型在GPU上进行低延迟、高吞吐量的部署。TensorRT是基于CUDA和cuDNN的，专门为NVIDIA的GPU进行了优化。TensorRT支持TensorFlow、PyTorch、Caffe、MxNet等深度学习框架。对于MxNet和PyTorch，需要先将其模型转换为中间模型ONNX格式。总的来说，TensorRT是一个强大的深度学习推理加速引擎，通过优化和部署深度学习模型，能够在各种应用场景中实现快速、高效的推理性能。

YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，该方法在Ultralytics Python包的基础上进行了多项创新和改进，主要有以下特点

消除非极大值抑制（NMS）：YOLOv10通过引入一致的双重分配策略，在训练时使用一对多的标签分配来提供丰富的监督信号，在推理时使用一对一的匹配，从而消除了对NMS的依赖。这一改进在保持高精度的同时，减少了推理延迟和计算量。全面优化的模型架构：YOLOv10从推理效率和准确性的角度出发，全面优化了模型的各个组成部分。这包括采用轻量级分类头、空间通道去耦下采样和等级引导块设计等，以减少计算冗余并提高模型性能。引入大核卷积和部分自注意模块：为了提高性能，YOLOv10在不增加大量计算成本的前提下，引入了大核卷积和部分自注意模块。多种模型尺寸可选：官方发布了从N到X各种型号的模型，以满足不同应用的需求。这些模型包括超小型版本YOLOv10-N（用于资源极其有限环境）、小型版本YOLOv10-S（兼顾速度和精度）、中型版本YOLOv10-M（通用）、平衡型版本YOLOv10-B（宽度增加，精度更高）、大型版本YOLOv10-L（精度更高，但计算资源增加）以及超大型版本YOLOv10-X（可实现最高的精度和性能）。

通过广泛的实验验证，YOLOv10在多个模型尺度上实现了卓越的精度-延迟权衡。例如，在COCO数据集上，YOLOv10-S在相似精度下比其他实时目标检测方法更快，同时参数和浮点运算量也大幅减少。综上所述，YOLOv10通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。

2. 项目开发环境

下面简单介绍一下项目的开发环境，开发者可以根据自己的设备情况进行配置：

系统平台：Windows 11开发平台：Visual Studio 2022CUDA：11.4CUDNN：8.2.4TensorRT：8.6OpenCV：4.8.0

此处代码开发平台使用的是C++，因此在项目配置时，需要配置第三方依赖库，分别是CUDA\CUDNN、TensorRT和OpenCV三个依赖库，其配置方式此处不做详述。

3. 模型获取

3.1 源码下载

YOLOv10 模型需要源码进行下载，首先克隆GitHub上的源码，输入以下指令：

<code>git clone https://github.com/THU-MIG/yolov10.git

cd yolov10

3.2 配置环境

接下来安装模型下载以及转换环境，此处使用Anaconda进行程序集管理，输入以下指令创建一个yolov10环境：

conda create -n yolov10 python=3.9

conda activate yolov10

pip install -r requirements.txt

pip install -e .

3.3 下载模型

首先导出目标识别模型，此处以官方预训练模型为例，首先下载预训练模型文件，然后调用yolo导出ONBNX格式的模型文件，最后使用 OpenVINO™ 的模型转换命令将模型转为IR格式，依次输入以下指令即可：

wget https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt

yolo export model=yolov10s.pt format=onnx opset=13 simplify

4. engine模型转换

首先定义ONNX模型转换Engine格式的代码，如下所示：

#include "opencv2/opencv.hpp"

#include <fstream>

#include <iostream>

#include "cuda.h"

#include "NvInfer.h"

#include "NvOnnxParser.h"

class Logger : public nvinfer1::ILogger

{

void log(Severity severity, const char* msg) noexcept override

{

if (severity <= Severity::kWARNING)

std::cout << msg << std::endl;

}

} logger;

void onnxToEngine(const char* onnxFile, int memorySize) {

// 将路径作为参数传递给函数

std::string path(onnxFile);

std::string::size_type iPos = (path.find_last_of('\\') + 1) == 0 ? path.find_last_of('/') + 1 : path.find_last_of('\\') + 1;

std::string modelPath = path.substr(0, iPos);//获取文件路径

std::string modelName = path.substr(iPos, path.length() - iPos);//获取带后缀的文件名

std::string modelName_ = modelName.substr(0, modelName.rfind("."));//获取不带后缀的文件名名

std::string engineFile = modelPath + modelName_ + ".engine";

// 构建器，获取cuda内核目录以获取最快的实现

// 用于创建config、network、engine的其他对象的核心类

nvinfer1::IBuilder* builder = nvinfer1::createInferBuilder(logger); // 构建器，获取cuda内核目录以获取最快的实现，用于创建config、network、engine的其他对象的核心类

const auto explicitBatch = 1U << static_cast<uint32_t>(nvinfer1::NetworkDefinitionCreationFlag::kEXPLICIT_BATCH); // 定义网络属性

nvinfer1::INetworkDefinition* network = builder->createNetworkV2(explicitBatch); // 解析onnx网络文件，tensorRT模型类

nvonnxparser::IParser* parser = nvonnxparser::createParser(*network, logger); // 将onnx文件解析，并填充rensorRT网络结构

parser->parseFromFile(onnxFile, 2); // 解析onnx文件

for (int i = 0; i < parser->getNbErrors(); ++i) {

std::cout << "load error: " << parser->getError(i)->desc() << std::endl;

}

printf("tensorRT load mask onnx model successfully!!!...\n");

// 创建推理引擎

nvinfer1::IBuilderConfig* config = builder->createBuilderConfig(); // 创建生成器配置对象。

config->setMaxWorkspaceSize(1024 * 1024 * memorySize); // 设置最大工作空间大小。

config->setFlag(nvinfer1::BuilderFlag::kFP16); // 设置模型输出精度

nvinfer1::ICudaEngine* engine = builder->buildEngineWithConfig(*network, *config); // 创建推理引擎

// 将推理文件保存到本地

std::cout << "try to save engine file now~~~" << std::endl;

std::ofstream filePtr(engineFile, std::ios::binary);

if (!filePtr) {

std::cerr << "could not open plan output file" << std::endl;

return;

}

// 将模型转化为文件流数据

nvinfer1::IHostMemory* modelStream = engine->serialize();

// 将文件保存到本地

filePtr.write(reinterpret_cast<const char*>(modelStream->data()), modelStream->size());

// 销毁创建的对象

modelStream->destroy();

engine->destroy();

network->destroy();

parser->destroy();

std::cout << "convert onnx model to TensorRT engine model successfully!" << std::endl;

}

通过调用TensorRT模型优化器，可以将ONNX模型进行优化，结合本机GPU设备，进行优化加速，并转换成TensorRT模型支持的模型格式，这一步也可以在模型推理时进行，但是模型优化需要较长时间，因此最好先将模型进行转换。定义好代码后，在主函数中调用即可，如下所示：

onnxToEngine("E:\\Text_Model\\yolov10s.onnx", 50);

5. 定义YOLOv10 Process

5.1 数据预处理

数据预处理此处通过OpenCV实现，将输入的图片数据转为模型需要的数据情况，代码如下所示：

void preProcess(cv::Mat *img, int length, float* factor, std::vector<float>& data) {

cv::Mat mat;

int rh = img->rows;

int rw = img->cols;

int rc = img->channels();

cv::cvtColor(*img, mat, cv::COLOR_BGR2RGB);

int maxImageLength = rw > rh ? rw : rh;

cv::Mat maxImage = cv::Mat::zeros(maxImageLength, maxImageLength,CV_8UC3);

maxImage = maxImage * 255;

cv::Rect roi (0, 0, rw, rh);

mat.copyTo(cv::Mat(maxImage, roi));

cv::Mat resizeImg;

cv::resize(maxImage, resizeImg, cv::Size(length, length), 0.0f, 0.0f, cv::INTER_LINEAR);

*factor = (float)((float)maxImageLength / (float)length);

resizeImg.convertTo(resizeImg, CV_32FC3, 1 / 255.0);

rh = resizeImg.rows;

rw = resizeImg.cols;

rc = resizeImg.channels();

for (int i = 0; i < rc; ++i) {

cv::extractChannel(resizeImg, cv::Mat(rh, rw, CV_32FC1, data.data() + i * rh * rw), i);

}

}

在调用时也相对简单，将相关变量传入即可，代码如下所示：

Mat frame = new frame();

std::vector<float> inputData(640 * 640 * 3);

float factor = 0;

preProcess(&frame, 640, &factor, inputData);

5.2 结果后处理

首先此处定义了一个结果类：

struct DetResult {

cv::Rect bbox;

float conf;

int lable;

DetResult(cv::Rect bbox,float conf,int lable):bbox(bbox),conf(conf),lable(lable){ }

};

然后定义模型的结果处理方式，代码如下所示：

std::vector<DetResult> postProcess(float* result, float factor, int outputLength) {

std::vector<cv::Rect> positionBoxes;

std::vector <int> classIds;

std::vector <float> confidences;

// Preprocessing output results

for (int i = 0; i < outputLength; i++)

{

int s = 6 * i;

if ((float)result[s + 4] > 0.2)

{

float cx = result[s + 0];

float cy = result[s + 1];

float dx = result[s + 2];

float dy = result[s + 3];

int x = (int)((cx)* factor);

int y = (int)((cy)* factor);

int width = (int)((dx - cx) * factor);

int height = (int)((dy - cy) * factor);

cv::Rect box(x, y, width, height);

positionBoxes.push_back(box);

classIds.push_back((int)result[s + 5]);

confidences.push_back((float)result[s + 4]);

}

}

std::vector<DetResult> re;

for (int i = 0; i < positionBoxes.size(); i++)

{

DetResult det(positionBoxes[i], confidences[i], classIds[i]);

re.push_back(det);

}

return re;

}

最后为了让结果可视化，定义了结果绘制方法，代码如下所示：

void drawBbox(cv::Mat& img, std::vector<DetResult>& res) {

for (size_t j = 0; j < res.size(); j++) {

cv::rectangle(img, res[j].bbox, cv::Scalar(255, 0, 255), 2);

cv::putText(img, std::to_string(res[j].lable) + "-" + std::to_string(res[j].conf),

cv::Point(res[j].bbox.x, res[j].bbox.y - 1), cv::FONT_HERSHEY_PLAIN,

1.2, cv::Scalar(0, 0, 255), 2);

}

}

上述方式调用依旧十分容易，使用代码如下所示：

std::vector<float> output_data(300 * 6);

std::vector<DetResult> result = postProcess(output_data.data(), factor, 300);

drawBbox(frame, result);

6. 模型推理实现

6.1 模型读取与创建推理通道

首先读取上文中转换的Engine模型，并创建推理通道，用于后文的模型推理，实现代码如下所示：

std::shared_ptr<nvinfer1::IExecutionContext> creatContext(std::string modelPath) {

// 以二进制方式读取问价

std::ifstream filePtr(modelPath, std::ios::binary);

if (!filePtr.good()) {

std::cerr << "文件无法打开，请确定文件是否可用！" << std::endl;

return std::shared_ptr<nvinfer1::IExecutionContext>();

}

size_t size = 0;

filePtr.seekg(0, filePtr.end);// 将读指针从文件末尾开始移动0个字节

size = filePtr.tellg();// 返回读指针的位置，此时读指针的位置就是文件的字节数

filePtr.seekg(0, filePtr.beg);// 将读指针从文件开头开始移动0个字节

char* modelStream = new char[size];

filePtr.read(modelStream, size);

// 关闭文件

filePtr.close();

nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger);

nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(modelStream, size);

return std::shared_ptr<nvinfer1::IExecutionContext>(engine->createExecutionContext());

}

6.2 Yolov10 推理代码

下面结合一个视频推理，编写TensorRT推理YOLOv10的流程，代码如下所示：

#include "opencv2/opencv.hpp"

#include <fstream>

#include <iostream>

#include "cuda.h"

#include "NvInfer.h"

#include "NvOnnxParser.h"

class Logger : public nvinfer1::ILogger

{

void log(Severity severity, const char* msg) noexcept override

{

// suppress info-level messages

if (severity <= Severity::kWARNING)

std::cout << msg << std::endl;

}

} logger;

void yolov10Infer() {

const char* videoPath = "E:\\Text_dataset\\car_test.mov";

const char* enginePath = "E:\\Text_Model\\yolov10s.engine";

std::shared_ptr<nvinfer1::IExecutionContext> context = creatContext(enginePath);

cv::VideoCapture capture(videoPath);

// 检查摄像头是否成功打开

if (!capture.isOpened()) {

std::cerr << "ERROR: 视频无法打开" << std::endl;

return;

}

cudaStream_t stream;

cudaStreamCreate(&stream);

void* inputSrcDevice;

void* outputSrcDevice;

cudaMalloc(&inputSrcDevice, 3 * 640 * 640 * sizeof(float));

cudaMalloc(&outputSrcDevice, 1 * 300 * 6 * sizeof(float));

std::vector<float> output_data(300 * 6);

std::vector<float> inputData(640 * 640 * 3);

while (true)

{

cv::Mat frame;

if (!capture.read(frame)) {

break;

}

float factor = 0;

preProcess(&frame, 640, &factor, inputData);

cudaMemcpyAsync(inputSrcDevice, inputData.data(), 3 * 640 * 640 * sizeof(float),

cudaMemcpyHostToDevice, stream);

void* bindings[] = { inputSrcDevice, outputSrcDevice };

context->enqueueV2((void**)bindings, stream, nullptr);

cudaMemcpyAsync(output_data.data(), outputSrcDevice, 300 * 6 * sizeof(float),

cudaMemcpyDeviceToHost, stream);

cudaStreamSynchronize(stream);

std::vector<DetResult> result = postProcess(output_data.data(), factor, 300);

drawBbox(frame, result);

imshow("读取视频", frame);

cv::waitKey(10);//延时30

}

cv::destroyAllWindows();

}

通过上诉代码便可以实现使用NVIDIA TensorRT C++部署YOLOv10实现GPU加速。

7. 总结

在本文中，我们将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。最后我们对模型推理速度进行了测试，测试结果如下所示：

在上述中已经提供了项目实现的全部源码，但都是零散的，如果大家在使用中有疑问，可以下载项目源码文件，下载链接为：

<code>https://download.csdn.net/download/Grape_yan/89396724

最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。