[C#]使用C#部署yolov8的目标检测tensorrt模型

【测试通过环境】

win10 x64
vs2019
cuda11.7+cudnn8.8.0
TensorRT-8.6.1.6
opencvsharp==4.9.0
.NET Framework4.7.2

NVIDIA GeForce RTX 2070 Super

版本和上述环境版本不一样的需要重新编译TensorRtExtern.dll，TensorRtExtern源码地址：TensorRT-CSharp-API/src/TensorRtExtern at TensorRtSharp2.0 · guojin-yan/TensorRT-CSharp-API · GitHub

Windows版 CUDA安装参考：Windows版 CUDA安装_win cuda安装-CSDN博客

【特别注意】

tensorrt依赖不同硬件需要自己从onnx转换tensorrt，转换就是调用api实现，比如

TensorRtSharp.Custom.Nvinfer.OnnxToEngine(@"C:\Users\Administrator\Desktop\yolov8n.onnx",1024);

【视频演示和解说】

使用C#部署yolov8的目标检测tensorrt模型_哔哩哔哩_bilibili测试环境：win10 x64vs2019cuda11.7+cudnn8.8.0TensorRT-8.6.1.6opencvsharp==4.9.0.NET Framework4.7.2特别注意：环境一定要对上，否则无法正常运行，具体可以参考我的博客和录制视频。博客地址：blog.csdn.net/FL1623863129/article/details/139282375, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：YOLOv10杀疯了！Github上刚刚发布！超热乎的实时端到端目标检测来了！CV方向的初学者请速速看过来！，北京籍前华为首名女黑客瑾瑾 在b站坚持直播编程到凌晨 可直播间却仅1在线，用C#部署yolov8的tensorrt模型进行目标检测winform最快检测速度，C#模型部署平台：基于YOLOv8目标检测模型的视频检测，yolov10 tensorrt C++ 推理!全网首发!，将yolov5-6.2封装成一个类几行代码完成语义分割任务，labelme json转yolo工具用于目标检测训练数据集使用教程，C#YOLO工业滑轨螺丝缺失检测~示例，使用纯opencv部署yolov8目标检测模型onnx，这也太全了！图像处理、特征提取、目标检测、图像检索、图像分类、图像修复、医疗影像等七大计算机视觉算法一口气学完！https://www.bilibili.com/video/BV1t142127dW/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee

【部分实现源码】

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
using FIRC;
using OpenCvSharp;
using TrtCommon;
using TensorRtSharp;
using TensorRtSharp.Custom;
using System.Diagnostics;

namespace WindowsFormsApp1
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {
            Yolov8Det yolov8Det = new Yolov8Det("yolov8n.engine");
            Mat image1 = Cv2.ImRead(@"E:\person.jpg");
            List<DetResult> detResults = yolov8Det.Predict(new List<Mat> { image1 });
            Mat re_image1 = Visualize.DrawDetResult(detResults[0], image1);
            Cv2.ImShow("image1", re_image1);
            Cv2.WaitKey(0);
        }

        private void button2_Click(object sender, EventArgs e)
        {
            TensorRtSharp.Custom.Nvinfer.OnnxToEngine(@"C:\Users\Administrator\Desktop\yolov8n.onnx",1024);
        }

        private void button3_Click(object sender, EventArgs e)
        {
            Yolov8Det detector = new Yolov8Det("yolov8n.engine");
            VideoCapture capture = new VideoCapture(0);
            if (!capture.IsOpened())
            {
                Console.WriteLine("video not open!");
                return;
            }
            Mat frame = new Mat();
            var sw = new Stopwatch();
            int fps = 0;
            while (true)
            {

                capture.Read(frame);
                if (frame.Empty())
                {
                    Console.WriteLine("data is empty!");
                    break;
                }
                sw.Start();
                List<DetResult> detResults = detector.Predict(new List<Mat> { frame });
                Mat resultImg = Visualize.DrawDetResult(detResults[0], frame);
                sw.Stop();
                fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
                sw.Reset();
                Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
                //显示结果
                Cv2.ImShow("Result", resultImg);
                int key = Cv2.WaitKey(10);
                if (key == 27)
                    break;
            }

            capture.Release();
        }
    }
}

【演示源码下载地址】https://download.csdn.net/download/FL1623863129/89372271

注意源码提供上面对应环境的dll，只需要安装上面一样cuda+cudnn和tensorrt版本即可正常运行。如果您不安装一样版本不能正常运行。此时需要重新编译TensorRtExtern.dll，此外由于tensorrt依赖硬件不一样电脑可能无法共用tensorrt模型，所以必须要重新转换onnx模型到engine才可以运行。