我的环境
确保自己已经有cuda和cudnn的环境基础上进行。
- cuda:11.7
- cudnn:适合cuda的版本
- Anaconda3 [python 3.10]
- TensorRt-8.6.1
安装TensorRt环境
查看自己的cuda环境,去官网下载适合的win版本。
下载后解压,将解压后lib目录添加到环境变量。
找到自己的cuda安装文件目录,将解压后lib文件夹下的lib文件,拷贝到cuda安装目录的x64文件(我这里路径是/cuda/lib/x64)中。
找到自己的cuda安装文件目录,将解压后lib文件夹下的dll文件,拷贝到cuda安装目录下bin的文件中(我这里路径是/cuda/bin)中。
查看python版本并安装对应的tensorrt。tensorrt文件在解压后的python目录。
选择适合的版本。
我的安装命令
pip install "D:\Programming software\TensorRt\TensorRT-8.6.1.6.Windows10.x86_64.cuda-11.8\TensorRT-8.6.1.6\python\tensorrt-8.6.1-cp310-none-win_amd64.whl"
测试
# 测试
import tensorrt as trt
trt.__version__
转换
将Yolov8中.pt文件转换为onnx格式
from ultralytics import YOLO
model = YOLO("best.pt")
success = model.export(format="onnx", half=False, dynamic=True, opset=17)
print("demo")
将onnx格式转换为tensorRt中的.trt格式。注意,我这里版本为tensorrt-8.6.1,其他版本可能Api 不同。
import tensorrt as trt
def build_engine(onnx_file_path, engine_file_path):
# 创建TensorRT logger对象
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
# 创建builder和network
builder = trt.Builder(TRT_LOGGER)
config = builder.create_builder_config()
profile = builder.create_optimization_profile()
flag = 1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)
network = builder.create_network(flag)
# 创建ONNX解析器
parser = trt.OnnxParser(network, TRT_LOGGER)
# 解析ONNX模型
with open(onnx_file_path, 'rb') as onnx_file:
if not parser.parse(onnx_file.read()):
print('ERROR: Failed to parse the ONNX file.')
for error in range(parser.num_errors):
print(parser.get_error(error))
return None
# 设置最大工作空间
config.max_workspace_size = 1 << 30 # 1GB
# 选择模型的输入和输出格式,以及相关优化
# 如果你知道模型运行的最大批量大小,你可以在这里设置
# 例如: 如果你的模型输入尺寸是 CHW 的 (3, 224, 224) 并且最大批量大小是 8
input_name = network.get_input(0).name
profile.set_shape(input_name, min=(1, 3, 224, 224), opt=(4, 3, 224, 224), max=(8, 3, 224, 224))
config.add_optimization_profile(profile)
# 根据配置构建引擎
engine = builder.build_engine(network, config)
# 序列化引擎并保存到文件
with open(engine_file_path, 'wb') as engine_file:
engine_file.write(engine.serialize())
return engine
# ONNX模型和TensorRT引擎文件的路径
onnx_model_path = 'best.onnx'
tensorrt_engine_path = 'model.trt'
# 构建并保存TensorRT引擎
engine = build_engine(onnx_model_path, tensorrt_engine_path)
if engine:
print("ONNX model has been successfully converted to TensorRT engine and saved to", tensorrt_engine_path)
参考:文章