Yolov5 tensorrt C++部署 + FPS实现

最新推荐文章于 2024-05-28 14:47:52 发布

QiuYuSy

最新推荐文章于 2024-05-28 14:47:52 发布

阅读量6.8k

点赞数 8

分类专栏：深度学习文章标签： c++ 人工智能深度学习

本文链接：https://blog.csdn.net/QiuYuSy/article/details/125375273

版权

深度学习专栏收录该内容

2 篇文章 2 订阅

订阅专栏

Yolov5 tensorrt C++部署 + FPS实现

作者：QiuYu Yolo交流QQ群：936625049

B站视频地址：https://www.bilibili.com/video/BV1n3411u7sk?spm_id_from=333.999.list.card_archive.click&vd_source=2b18a0f07e4a10bede9a22eb3ab4c397

本文面向有一定python/C++基础的同学，本教程内容仅供学习使用。

环境搭建部分(目前不打算细讲，博客比较详细了)

1、Python/Pytorch/Cuda环境搭建

具体参考这篇博客

https://blog.csdn.net/weixin_44791964/article/details/120668551?spm=1001.2014.3001.5502

tip:如果之后在权重训练时，缺少部分包，百度包名然后导入即可

2、权重训练

可以参考这位up主的视频，训练完毕后得到.pt权重文件

https://space.bilibili.com/14796576/?spm_id_from=333.999.0.0

在这里插入图片描述

3、C++环境搭建

具体参考下面这篇博客

https://blog.csdn.net/weixin_45747759/article/details/124076582?spm=1001.2014.3001.5501

在这里插入图片描述

tip: CMake编译的时候如果找不到Cuda，可能是Cuda安装的时候没选VS的那个包，重新单独勾选VS的包安装一遍也许可以解决。

注意这部分是必须的，后面部分需要这部分作为前置

FPS实践部分

如果你完成了环境搭建那么恭喜你，已经完成了最难熬的部分

1、tensorrt基本框架搭建

在这里插入图片描述
首先当然是导入头文件了

#include <iostream>
#include <chrono>
#include <cmath>
#include "cuda_utils.h"
#include "logging.h"
#include "common.hpp"
#include "utils.h"
#include "calibrator.h"
#include "preprocess.h"
#include<windows.h>
#include "atlstr.h"
#include <time.h>
#include "stdafx.h"
#include "kmbox.cpp"

// dxgi
#include <d3d11.h>
#include <dxgi1_2.h>
#include <dxgi1_3.h>
#include <dxgi1_5.h>

#include <stdio.h>


// 鼠标键盘监控
#define KEY_DOWN(VK_NONAME) ((GetAsyncKeyState(VK_NONAME) & 0x8000) ? 1:0)

// yolo
#define USE_FP16  // set USE_INT8 or USE_FP16 or USE_FP32
#define DEVICE 0  // GPU id
#define NMS_THRESH 0.1
#define CONF_THRESH 0.6
#define BATCH_SIZE 1
#define MAX_IMAGE_INPUT_SIZE_THRESH 1000 * 1000 // ensure it exceed the maximum size in the input images !

#pragma comment(lib, "d3d11.lib")
#pragma comment(lib, "dxgi.lib")

在这里插入图片描述
写入tensorrt的初始化部分，这里需要把model_path换成你在第三步得到的engine模型地址

char *model_path = "C:\\Users\\QiuYuSY\\Desktop\\yolov5-6.1_tensorrt_CFHD\\yolov5s.engine";

cudaSetDevice(DEVICE);
// create a model using the API directly and serialize it to a stream
char *trtModelStream{ nullptr };
size_t size_e{ 0 };
std::string engine_name = model_path;
std::ifstream file(engine_name, std::ios::binary);
Yolov5TRTContext * trt = new Yolov5TRTContext();
if (file.good()) {
	file.seekg(0, file.end);
	size_e = file.tellg();
	file.seekg(0, file.beg);
	trtModelStream = new char[size_e];
	assert(trtModelStream);
	file.read(trtModelStream, size_e);
	file.close();
}

trt->runtime = createInferRuntime(gLogger);
assert(trt->runtime != nullptr);
trt->engine = trt->runtime->deserializeCudaEngine(trtModelStream, size_e);
assert(trt->engine != nullptr);
trt->context = trt->engine->createExecutionContext();
assert(trt->context != nullptr);
//delete[] trtModelStream;
assert(trt->engine->getNbBindings() == 2);
trt->data = new float[BATCH_SIZE * 3 * INPUT_H * INPUT_W];
trt->prob = new float[BATCH_SIZE * OUTPUT_SIZE];
trt->inputIndex = trt->engine->getBindingIndex(INPUT_BLOB_NAME);
trt->outputIndex = trt->engine->getBindingIndex(OUTPUT_BLOB_NAME);
assert(trt->inputIndex == 0);
assert(trt->outputIndex == 1);
// Create GPU buffers on device
CUDA_CHECK(cudaMalloc(&trt->buffers[trt->inputIndex], BATCH_SIZE * 3 * INPUT_H * INPUT_W * sizeof(float)));
CUDA_CHECK(cudaMalloc(&trt->buffers[trt->outputIndex], BATCH_SIZE * OUTPUT_SIZE * sizeof(float)));
// Create stream
CUDA_CHECK(cudaStreamCreate(&trt->stream));

2、Dxgi截图传入模型推导

把以下几个方法放到main函数前面
在这里插入图片描述
完整方法以及项目群文件取 936625049

在这里插入图片描述
然后在main函数之前填写的下面加入如下行,进行dxgi初始化截图

//dxgi
ID3D11Device* device = nullptr;
ID3D11DeviceContext* deviceContext = nullptr;
initDXGIResources(&device, &deviceContext);

IDXGIOutputDuplication* desktopDupl = nullptr;
UINT output = 0;
initDuplication(device, &desktopDupl, output);

DXGI_OUTDUPL_FRAME_INFO frameInfo;

// 存放桌面图像
ID3D11Texture2D* acquiredDesktopImage = nullptr;
bool timeOut;

while (true) {
    //dxgi截图
    HRESULT ret = getFrame(desktopDupl, &frameInfo, &acquiredDesktopImage, &timeOut);
    // 超时或各种错误
    if (timeOut || ret < 0)
    {
        continue;
    }
    cv::Mat img = cv::Mat(640, 640, CV_8UC4);

    // 截屏
    saveDesktopImage(acquiredDesktopImage, device, deviceContext, &img);

    doneWithFrame(desktopDupl);
    if (acquiredDesktopImage)
    {
        acquiredDesktopImage->Release();
        acquiredDesktopImage = nullptr;
    }


    cv::cvtColor(img, img, cv::COLOR_RGBA2RGB);


    //resize图片
    cv::resize(img, img, cv::Size(640, 640));
    // 创建窗口
    cv::namedWindow("Display", CV_WINDOW_AUTOSIZE);
    //显示图像
    cv::imshow("Display", img);
    暂停，等待按键结束
    cv::waitKey(0);
}

// dxgi
clearDuplication(desktopDupl);
clearDXGIResources(device, deviceContext);

在这里插入图片描述
然后我们把图片放入模型进行推理，位置在resize后面

// 快速遍历图像
int i = 0;
for (int row = 0; row < INPUT_H; ++row) {
    for (int col = 0; col < INPUT_W; ++col) {
        trt->data[i] = img.at<cv::Vec3b>(row, col)[0] / 255.0;
        trt->data[i + INPUT_H * INPUT_W] = img.at<cv::Vec3b>(row, col)[1] / 255.0;
        trt->data[i + 2 * INPUT_H * INPUT_W] = img.at<cv::Vec3b>(row, col)[2] / 255.0;
        ++i;
    }
}




// 推理部分
doInference(*trt->context, trt->stream, trt->buffers, trt->data, trt->prob, BATCH_SIZE);
std::vector<std::vector<Yolo::Detection>> batch_res(1);
auto& res = batch_res[0];
nms(res, &trt->prob[0 * OUTPUT_SIZE], CONF_THRESH, NMS_THRESH);
int len = res.size();


// 结果数组
float(*res_array)[6] = new float[len][6];


// 得到所有目标的数据
for (size_t j = 0; j < res.size(); j++) {
    cv::Rect r = get_rect(img, res[j].bbox);
    res_array[j][0] = r.x;
    res_array[j][1] = r.y;
    res_array[j][2] = r.width;
    res_array[j][3] = r.height;
    //res_array[j][4] = res[j].class_id; 
    res_array[j][5] = res[j].conf;
}