jetson Orin nano部署 yolov8代码一(github)

环境配置

基本的torch、torchvision、tensorrt环境配置好

首先按照jetson Orin nano 部署 环境配置，将基本的pytorch、torchvision、tensorrt环境配置好。

github上代码

yolov8部署github代码——TensorRT-For-YOLO-Series

环境的二次配置

需要按照github上的readme.md文档进行再次部署，主要是需要安装pycuda，

pip install --upgrade setuptools pip --user
pip install nvidia-pyindex
pip install --upgrade nvidia-tensorrt
pip install pycuda
pip install cuda-python

主要是运行pip install pycuda，我没有运行pip install --upgrade nvidia-tensorrt 和 pip install cuda-python，我运行了pip install --upgrade setuptools pip --user 和 pip install nvidia-pyindex，可以先不运行这两个命令，先只运行pycuda的命令行，看看代码可不可以运行，如果不能运行，再将上面两行命令代码运行一下。

在上面的基础上，还需要安装ultralytics和onnx库

pip install ultralytics
pip install onnx==1.12.0

代码运行

下载yolov8n.pt模型权重文件

wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

将yolov8n.pt转化为yolov8n.onnx

yolo mode=export model=yolov8n.pt format=onnx dynamic=False

将yolov8n.onnx转化为yolov8n.trt

不要直接使用trtexec将yolov8n.onnx转化为yolov8n.trt，这样运行trt.py文件会出现报错，即不要使用下面的命令，将yolov8n.onnx转化为yolov8n.trt

trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n.trt

按照github上的readme.md中的方式将yolov8n.onnx转化为yolov8n.trt，github上的命令行是有一点错误的，正确的命令行如下：

python export.py -o yolov8n.onnx -e yolov8n.trt --end2end --v8 -p fp32

预测图片和视频

运行图片

python trt.py -e yolov8n.trt  -i src/1.jpg -o yolov8n-1.jpg --end2end

图片结果展示

运行视频

python trt.py -e yolov8n.trt -v src/video1.mp4 --end2end

视频结果帧展示