Jetson Xavier NX 下 yolov8 tensorrt模型部署（Jetpack5.1.2、CUDA11.4、Cudnn8.6.0、Tensorrt8.5.2）

---

前言

Jetson Xavier NX 下 yolov8 tensorrt模型部署流程记录及问题处理，本文使用的是TensorRT-Alpha封装库，基于tensorrt+cuda，实现模型的gpu加速。

Jetson Xavier NX 环境配置

Jetpack5.1.2、CUDA11.4、Tensorrt8.5.2、OpenCV 4.5.4、Ubuntu 20.04

一、TensorRT-Alpha源码下载

1. 源码下载

TensorRT-Alpha的代码可以直接从github官网上下载，源码下载地址是https://github.com/FeiYull/TensorRT-Alpha。Linux下代码克隆指令如下

$ git clone https://github.com/FeiYull/tensorrt-alpha

2.文件设置

$ cd tensorrt-alpha/cmake
$ vim common.cmake

将文件中的第20行的tensorrt路径更换成自己开发板中的路径，一般默认路径为：/usr/src/tensorrt
路径设置如下：

set (TensorRT_ROOT /usr/src/tensorrt）

二、yolov8模型部署

1.导出yolov8 onnx模型

在服务器或者主机上将自己训练好的权重best.pt或者下载的官方预训练权重放在ultralytics-main主目录下，进入训练yolov8的conda 环境中。
（如果已安装1.12.0及以上版本的onnx和0.4.8及以上版本的onnx-simplifier，请略过下面的安装）

$ pip install onnx==1.12.0
$ onnx-simplifier==0.4.8

之后导出模型。yolov8官方代码中包含模型导出命令，所以使用以下命令即可导出模型

$ yolo export model=best.pt format=onnx opset=12 dynamic=True simplify=True int8=True 
# opset=12 默认值
# dynamic=True 导出维度为dynamic，也就是不确定状态，如不需要，可设为False
# simplify=True 简化模型，建议设为True,开发板性能有限，简化模型很有必要，且能避免后续一些报错发生
# int8=True INT8量化模型，根据需要开启

2.使用tensorrt转换onnx文件为trt文件

#将上一步导出的onnx文件放在刚才在开发板上git的tensorrt-alpha/data/yolov8文件夹下

$ cd /tensorrt-alpha/data/yolov8

#声明使用到的tensorrt路径
#（可能不声明也能用,因为我是在Linux服务器上先尝试部署过的，但开发板上没有lib文件夹）
$ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/src/tensorrt/lib 

$ /usr/src/tensorrt/bin/trtexec   --onnx=best.onnx  --saveEngine=best.trt  --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640

由于开发板性能有限，可能会出现以下警告信息，但最后还是会得到trt文件

3.源码修改

如果使用官方权重部署，请跳过这一步

这一步也可以在主机上修改完成后，替换开发板中的对应文件

$ cd tensorrt-alpha/yolov8
$ vim app_yolov8.cpp
#修改第6行的类别名，改成自己训练集的类别名，例如:
initParameters.class_names = utils::dataSets::mask2;
#修改第8行的类别数，改成自己训练集的类别数，例如:
initParameters.num_class = 2;

#修改用到的头文件及函数
$ cd tensorrt-alpha/untils
$ vim untils.h

#修改untils.h文件中的第37行，换成自己的类别，如：
const std::vector<std::string> mask2 = {"non-mask", "mask"};
#在untils.h文件的第80行之后，添加自己的类别颜色，如:
const std::vector<cv::Scalar> color2{
            cv::Scalar(148, 80, 189),cv::Scalar(105, 52, 238)
        };

#修改untils.cpp文件  
$ vim untils.cpp

#修改untils.cpp文件中的show函数，在第144行后添加自己类别对应的代码，如:
if (classNames.size() == 2) // mask2
{
	color = Colors::color2[box.label];
}
#修改untils.cpp文件中的save函数，在第198行后添加自己类别对应的代码，如:
if (classNames.size() == 2) // mask2
{
	color = Colors::color2[box.label];
}

至此源码修改完毕，可以进行编译

4.编译

$ cd tensorrt-alpha/yolov8
$ mkdir build
$ cd build
$ cmake ..
$ make -j10

cmke后如果报错，可能是找不到cuda文件，可以先进行一下声明后，再进行编译

$ export PATH=/usr/local/cuda-11.4/bin/:$PATH

执行 make -j10 命令后可能会出现以下错误

/usr/bin/ld: libyolov8.so: undefined reference to `sample::splitToStringVec(std::__cxx11::basic_string<char, std::char_traits<char>, std::allocator<char> > const&, char)'
collect2: error: ld returned 1 exit status
make[2]: *** [CMakeFiles/app_yolov8.dir/build.make:161：app_yolov8] 错误 1
make[1]: *** [CMakeFiles/Makefile2:78：CMakeFiles/app_yolov8.dir/all] 错误 2
make: *** [Makefile:84：all] 错误 2

这是由于tensorrt版本过高导致，tensorrt8.4版本可能不会出现以上错误。
我板子上使用的是tensorrt8.5.2，这个版本tensorrt下的sampleOptions.cpp文件中未定义splitToStringVec函数会出现以上错误。所以需要进行以下修改
首先进入到/usr/src/tensorrt/samples/common文件夹下，打开终端，执行如下命令

$ sudo vim sampleUtils.h

在第77行可以看到关于splitToStringVec函数的一个声明，但并未定义，所以将它注释掉，如下所示：

// std::vector<std::string> splitToStringVec(std::string const& option, char separator);

之后保存退出（Esc + shift: + wq）,打开sampleOptions.cpp文件，将splitToStringVec函数的定义添加在这

$ sudo vim sampleOptions.cpp

#在文件的38行，也就是namespace中添加如下代码

std::vector<std::string> splitToStringVec(const std::string& option, char separator)
{
    std::vector<std::string> options;

    for (size_t start = 0; start < option.length();)
    {
        size_t separatorIndex = option.find(separator, start);
        if (separatorIndex == std::string::npos)
        {
            separatorIndex = option.length();
        }
        options.emplace_back(option.substr(start, separatorIndex - start));
        start = separatorIndex + 1;
    }

    return options;
}

之后保存退出，在tensorrt-alpha/yolov8/build文件下再一次执行make -j10命令，即可编译成功

5.运行

继续上一步，直接在终端执行如下指令即可

$ ./app_yolov8  --model=../../data/yolov8/best.trt --size=640 --batch_size=1  --img=../../data/bus.jpg   --show

$ ./app_yolov8  --model=../../data/yolov8/best.trt --size=640 --batch_size=1  --video=../../data/test.avi   --show  --savePath=../

其他运行指令在TensorRT-Alpha仓库上都有

总结

本篇博客介绍了关于自己训练的yolov8模型在Jetson Xavier NX嵌入式开发板上的部署工作，并记录了部署过程中自己遇到的问题，感谢各位看到最后。

参考

yolov8
TensorRT-Alpha
linux下 yolov8 tensorrt模型部署