Fastdeploy快速部署YOLOv8模型（含安装教程及源码）

给我一个接口

已于 2024-05-27 19:26:25 修改

阅读量2.3k

点赞数 16

分类专栏：深度学习 opencv 文章标签： YOLO python 深度学习人工智能

于 2024-04-25 21:07:36 首次发布

本文链接：https://blog.csdn.net/2303_80018785/article/details/138197330

版权

深度学习同时被 2 个专栏收录

3 篇文章

订阅专栏

opencv

2 篇文章

订阅专栏

本文介绍了FastDeploy，一种高效的AI推理部署工具，它支持多种硬件和操作系统。作者分享了安装教程、遇到的问题及解决方案，并给出了YOLOv8模型部署的实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：

本文为笔者最近两天尝试使用FastDeploy进行一个快速的模型部署实践下面简单介绍一下关于FastDeploy是什么，相较于传统部署的优势，装的时候遇到的小问题，最后还有安装的教程以及简单的部署实战。

FastDeploy一个低门槛，时间快，可以做到一次训练，一套模型，随处部署，运用灵活，拓展性强大的一款高效的AI推理部署工具，覆盖当前大部分热门的部署项目，覆盖各大主流硬件NVIDIA ，intel等，4类操作系统Windows，Linux，Android，iOS.不同架构平台设备，轻松部署，所以Fastdeploy的优势不言而喻

FastDeploy GitHub链接：https://github.com/PaddlePaddle/FastDeploy/tree/develop

接下来是Fastdeploy的快速安装

安装前的要求：

CUDA >= 11.2、cuDNN >= 8.0、Python >= 3.6
OS: Linux x86_64/macOS/Windows 10 （win11也是可以的）

FastDeploy的安装

安装GPU版本

pip install numpy opencv-python fastdeploy-gpu-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html

安装CPU版本

pip install numpy opencv-python fastdeploy-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html

conda安装（推荐）

conda config --add channels conda-forge && conda install cudatoolkit=11.2 cudnn=8.2

注：conda安装完可能遇到的问题(没遇到可忽略)

这里有一点需要注意如果说你在conda的虚拟环境里面成功装了CUDA11.2 最后运行告诉你FastDeploy 仍然无法正确识别你的 CUDA 路径就需要手动添加一下

解决方法：因为之前笔者的电脑装过CUDA12.1版本，这里做个解决演示

首先找到装到虚拟环境里的CUDA11.2的位置，这个一般直接在Anaconda如红箭头所示的位置pkgs这个文件夹里，点击然后复制好这个路径

接着把环境路径改一下（建议先把之前用的CUDA路径备份截个图，防止后面要改）

好了这就可以解决了！（没有遇到这个问题的可以直接忽略这个）

FastDeploy部署示例

这里笔者提供官网下载的模型(x和n模型)，一张预测图片，和一个简单部署代码示例

模型和预测图片百度网盘链接（含图）

链接：https://pan.baidu.com/s/14Hs9oMtrx-4GNVuMx-EQ2w
提取码：yyds

如果是自己的pt文件要转onnx的可以看笔者另一篇博客链接：YOLOv8模型转换pt-＞onnx(附上代码)

原始图片如下：

简单的部署示例（代码）

使用的例子是YOLOv8x的模型

import fastdeploy as fd
import cv2


def build_option():
    option = fd.RuntimeOption()
    option.use_gpu()
    return option


# 配置运行时环境，加载模型
runtime_option = build_option()
model = fd.vision.detection.YOLOv8('D:/Web page download/yolov8x.onnx', runtime_option=runtime_option)

# 读取图像并进行预测
image_path = 'D:/Web page download/111.png'  # 图片路径
image = cv2.imread(image_path)
result = model.predict(image)

# 可视化结果
vis_frame = fd.vision.vis_detection(image, result)

# 显示图像
cv2.imshow("Frame", vis_frame)

while True:

    # 按下 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        cv2.imwrite('result.png', vis_frame) #图像保存在当前文件夹下
        break


# 释放窗口
cv2.destroyAllWindows()

进行了一个简单的图像预测并且在按下q健后释放窗口并把图片保存在了当前文件夹下

结果如图所示

至此，Fastdeploy部署YOLOv8模型的一个样例结束，也可以换成调用摄像头。。

import fastdeploy as fd
import cv2


def build_option():
    option = fd.RuntimeOption()
    option.use_gpu()
    return option


runtime_option = build_option()
model = fd.vision.detection.YOLOv8('D:/Web page download/yolov8x.onnx', runtime_option=runtime_option)

cap = cv2.VideoCapture(0)

while True:

    ret, frame = cap.read()

    if not ret:
        break

    result = model.predict(frame)

    vis_frame = fd.vision.vis_detection(frame, result)

    cv2.imshow("Frame", vis_frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

好了，小白的一天学习成果就是这些，若有问题恳请大家指出，非常感谢>.<