tensorrt 安装和事例程序跑通记录

已于 2023-07-01 17:33:27 修改
阅读量903 收藏
点赞数
文章标签： linux 运维 服务器
于 2023-07-01 17:31:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012160945/article/details/131492746
版权
该文描述了在Ubuntu18.04系统上安装TensorRT8.4.1.5和CUDA11.2的步骤，包括下载、解压、创建CMakeLists.txt、设置环境变量、编译和运行sampleMNIST示例。在编译过程中遇到一些关于过时函数的警告，但最终成功运行并显示了输出结果。
摘要由CSDN通过智能技术生成

本机环境：

ubutnu1804 cuda11.2

最终环境配置：cuda11.2,TensorRT8.4.1.5,cudnn8.2.4

1.下载TensorRT-8.4.1.5.Linux.x86_64-gen.cuda-11.6.cudnn8.4.tar.gz

https://developer.nvidia.com/nvidia-tensorrt-8x-download

2.tar安装
tar -xzvf TensorRT-8.4.1.5.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz

3.进入TensorRT-8.4.1.5/sample/sampleMNIST目录
cd TensorRT-8.4.1.5/sample/sampleMNIST

4.创建CMakeLists.txt
需要设置和本机实际对应的TensorRT安装路径
cmake_minimum_required(VERSION 3.13)
project(TensorRT_test)
set(CMAKE_CXX_STANDARD 11)
 
set(SAMPLES_COMMON_SOURCES "/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.cpp")
add_executable(TensorRT_test sampleMNIST.cpp ${SAMPLES_COMMON_SOURCES})
 
# add TensorRT8
include_directories(/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include)
include_directories(/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common)
set(TENSORRT_LIB_PATH "/home/anktech/Storage/Meng/TensorRT-8.4.1.5/lib")
file(GLOB LIBS "${TENSORRT_LIB_PATH}/*.so")
 
# add CUDA
find_package(CUDA REQUIRED)
message("CUDA_LIBRARIES:${CUDA_LIBRARIES}")
message("CUDA_INCLUDE_DIRS:${CUDA_INCLUDE_DIRS}")
include_directories(${CUDA_INCLUDE_DIRS})




# link
target_link_libraries(TensorRT_test ${LIBS} ${CUDA_LIBRARIES})
5.添加环境变量（根据实际路径，也要把cudnn的库目录添加进去）
export LD_LIBRARY_PATH=/home/anktech/Storage/Meng/TensorRT-8.4.1.5/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/media/anktech/10E09BBBE09BA58E/3rd/cudnn-11.4-linux-x64-v8.2.4.15/lib64:$LD_LIBRARY_PATH

*这里cudnn需要下载并解压到你自己的目录

6.编译和运行
mkdir build && cd build
cmake ..
make
 
./TensorRT_test

 *cmake log

-- The C compiler identification is GNU 7.5.0
-- The CXX compiler identification is GNU 7.5.0
-- Check for working C compiler: /usr/bin/cc
-- Check for working C compiler: /usr/bin/cc - works
-- Detecting C compiler ABI info
-- Detecting C compiler ABI info - done
-- Detecting C compile features
-- Detecting C compile features - done
-- Check for working CXX compiler: /usr/bin/c++
-- Check for working CXX compiler: /usr/bin/c++ - works
-- Detecting CXX compiler ABI info
-- Detecting CXX compiler ABI info - done
-- Detecting CXX compile features
-- Detecting CXX compile features - done
-- Looking for pthread.h
-- Looking for pthread.h - found
-- Performing Test CMAKE_HAVE_LIBC_PTHREAD
-- Performing Test CMAKE_HAVE_LIBC_PTHREAD - Failed
-- Looking for pthread_create in pthreads
-- Looking for pthread_create in pthreads - not found
-- Looking for pthread_create in pthread
-- Looking for pthread_create in pthread - found
-- Found Threads: TRUE  
-- Found CUDA: /usr/local/cuda-11.2 (found version "11.2") 
CUDA_LIBRARIES:/usr/local/cuda-11.2/lib64/libcudart_static.a;Threads::Threads;dl;/usr/lib/x86_64-linux-gnu/librt.so
CUDA_INCLUDE_DIRS:/usr/local/cuda-11.2/include
-- Configuring done
-- Generating done
-- Build files have been written to: /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/build

*make log

Scanning dependencies of target TensorRT_test
[ 33%] Building CXX object CMakeFiles/TensorRT_test.dir/sampleMNIST.cpp.o
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferLegacyDims.h:16:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:16,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/buffers.h:20,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:27:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h: In member function ‘virtual bool nvinfer1::IGpuAllocator::deallocate(void*)’:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h:1450:26: warning: ‘virtual void nvinfer1::IGpuAllocator::free(void*)’ is deprecated [-Wdeprecated-declarations]
         this->free(memory);
                          ^
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h:1381:33: note: declared here
     TRT_DEPRECATED virtual void free(void* const memory) noexcept = 0;
                                 ^~~~
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/buffers.h:20:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:27:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h: At global scope:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:6258:88: warning: ‘IFullyConnectedLayer’ is deprecated [-Wdeprecated-declarations]
         ITensor& input, int32_t nbOutputs, Weights kernelWeights, Weights biasWeights) noexcept
                                                                                        ^~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:1443:22: note: declared here
 class TRT_DEPRECATED IFullyConnectedLayer : public ILayer
                      ^~~~~~~~~~~~~~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:6800:101: warning: ‘IRNNv2Layer’ is deprecated [-Wdeprecated-declarations]
         ITensor& input, int32_t layerCount, int32_t hiddenSize, int32_t maxSeqLen, RNNOperation op) noexcept
                                                                                                     ^~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:3281:22: note: declared here
 class TRT_DEPRECATED IRNNv2Layer : public ILayer
                      ^~~~~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp: In member function ‘bool SampleMNIST::build()’:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:142:47: warning: ‘void nvinfer1::IBuilder::setMaxBatchSize(int32_t)’ is deprecated [-Wdeprecated-declarations]
     builder->setMaxBatchSize(mParams.batchSize);
                                               ^
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/buffers.h:20:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:27:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:8795:25: note: declared here
     TRT_DEPRECATED void setMaxBatchSize(int32_t batchSize) noexcept
                         ^~~~~~~~~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp: In member function ‘bool SampleMNIST::infer()’:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:339:97: warning: ‘bool nvinfer1::IExecutionContext::enqueue(int32_t, void* const*, cudaStream_t, CUevent_st**)’ is deprecated [-Wdeprecated-declarations]
     if (!context->enqueue(mParams.batchSize, buffers.getDeviceBindings().data(), stream, nullptr))
                                                                                                 ^
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:17:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/buffers.h:20,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/sampleMNIST/sampleMNIST.cpp:27:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntime.h:1948:25: note: declared here
     TRT_DEPRECATED bool enqueue(
                         ^~~~~~~
[ 66%] Building CXX object CMakeFiles/TensorRT_test.dir/home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.cpp.o
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logging.h:21:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.h:21,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.cpp:18:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h: In member function ‘virtual bool nvinfer1::IGpuAllocator::deallocate(void*)’:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h:1450:26: warning: ‘virtual void nvinfer1::IGpuAllocator::free(void*)’ is deprecated [-Wdeprecated-declarations]
         this->free(memory);
                          ^
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInferRuntimeCommon.h:1381:33: note: declared here
     TRT_DEPRECATED virtual void free(void* const memory) noexcept = 0;
                                 ^~~~
In file included from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/sampleOptions.h:30:0,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logging.h:22,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.h:21,
                 from /home/anktech/Storage/Meng/TensorRT-8.4.1.5/samples/common/logger.cpp:18:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h: At global scope:
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:6258:88: warning: ‘IFullyConnectedLayer’ is deprecated [-Wdeprecated-declarations]
         ITensor& input, int32_t nbOutputs, Weights kernelWeights, Weights biasWeights) noexcept
                                                                                        ^~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:1443:22: note: declared here
 class TRT_DEPRECATED IFullyConnectedLayer : public ILayer
                      ^~~~~~~~~~~~~~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:6800:101: warning: ‘IRNNv2Layer’ is deprecated [-Wdeprecated-declarations]
         ITensor& input, int32_t layerCount, int32_t hiddenSize, int32_t maxSeqLen, RNNOperation op) noexcept
                                                                                                     ^~~~~~~~
/home/anktech/Storage/Meng/TensorRT-8.4.1.5/include/NvInfer.h:3281:22: note: declared here
 class TRT_DEPRECATED IRNNv2Layer : public ILayer
                      ^~~~~~~~~~~
[100%] Linking CXX executable TensorRT_test
[100%] Built target TensorRT_test

*运行结果

&&&& RUNNING TensorRT.sample_mnist [TensorRT v8401] # ./TensorRT_test
[07/01/2023-17:27:41] [I] Building and running a GPU inference engine for MNIST
[07/01/2023-17:27:42] [I] [TRT] [MemUsageChange] Init CUDA: CPU +314, GPU +0, now: CPU 320, GPU 844 (MiB)
[07/01/2023-17:27:42] [I] [TRT] [MemUsageChange] Init builder kernel library: CPU +207, GPU +68, now: CPU 544, GPU 912 (MiB)
[07/01/2023-17:27:42] [W] [TRT] The implicit batch dimension mode has been deprecated. Please create the network with NetworkDefinitionCreationFlag::kEXPLICIT_BATCH flag whenever possible.
[07/01/2023-17:27:43] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +398, GPU +166, now: CPU 944, GPU 1078 (MiB)
[07/01/2023-17:27:43] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +483, GPU +204, now: CPU 1427, GPU 1282 (MiB)
[07/01/2023-17:27:43] [W] [TRT] TensorRT was linked against cuDNN 8.4.1 but loaded cuDNN 8.2.4
[07/01/2023-17:27:43] [I] [TRT] Local timing cache in use. Profiling results in this builder pass will not be stored.
[07/01/2023-17:27:47] [I] [TRT] Detected 1 inputs and 1 output network tensors.
[07/01/2023-17:27:47] [I] [TRT] Total Host Persistent Memory: 8832
[07/01/2023-17:27:47] [I] [TRT] Total Device Persistent Memory: 0
[07/01/2023-17:27:47] [I] [TRT] Total Scratch Memory: 0
[07/01/2023-17:27:47] [I] [TRT] [MemUsageStats] Peak memory usage of TRT CPU/GPU memory allocators: CPU 1 MiB, GPU 884 MiB
[07/01/2023-17:27:47] [I] [TRT] [BlockAssignment] Algorithm ShiftNTopDown took 0.040401ms to assign 3 blocks to 11 nodes requiring 57860 bytes.
[07/01/2023-17:27:47] [I] [TRT] Total Activation Memory: 57860
[07/01/2023-17:27:47] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in building engine: CPU +0, GPU +4, now: CPU 0, GPU 4 (MiB)
[07/01/2023-17:27:47] [I] [TRT] [MemUsageChange] Init CUDA: CPU +0, GPU +0, now: CPU 1832, GPU 1425 (MiB)
[07/01/2023-17:27:47] [I] [TRT] Loaded engine size: 1 MiB
[07/01/2023-17:27:47] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +1, now: CPU 0, GPU 1 (MiB)
[07/01/2023-17:27:48] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +0, now: CPU 0, GPU 1 (MiB)
[07/01/2023-17:27:48] [I] Input:
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@%=#@@@@@%=%@@@@@@@@@@
@@@@@@@           %@@@@@@@@@
@@@@@@@           %@@@@@@@@@
@@@@@@@#:-#-.     %@@@@@@@@@
@@@@@@@@@@@@#    #@@@@@@@@@@
@@@@@@@@@@@@@    #@@@@@@@@@@
@@@@@@@@@@@@@:  :@@@@@@@@@@@
@@@@@@@@@%+==   *%%%%%%%%%@@
@@@@@@@@%                 -@
@@@@@@@@@#+.          .:-%@@
@@@@@@@@@@@*     :-###@@@@@@
@@@@@@@@@@@*   -%@@@@@@@@@@@
@@@@@@@@@@@*   *@@@@@@@@@@@@
@@@@@@@@@@@*   @@@@@@@@@@@@@
@@@@@@@@@@@*   #@@@@@@@@@@@@
@@@@@@@@@@@*   *@@@@@@@@@@@@
@@@@@@@@@@@*   *@@@@@@@@@@@@
@@@@@@@@@@@*   @@@@@@@@@@@@@
@@@@@@@@@@@*   @@@@@@@@@@@@@
@@@@@@@@@@@@+=#@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@

[07/01/2023-17:27:48] [I] Output:
0: 
1: 
2: 
3: 
4: 
5: 
6: 
7: **********
8: 
9: 

&&&& PASSED TensorRT.sample_mnist [TensorRT v8401] # ./TensorRT_test

fegggye
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Ubuntu 18.04（x86_64）安装配置 CUDA 11.6 + cuDNN v8.9.7 + TensorRT8.4.1.5（亲测可用）
u014374826的博客
03-01 1636
Ubuntu 18.04（x86_64）安装配置 CUDA 11.6 + cuDNN v8.9.7 + TensorRT8.4.1.5
WIN11+CUAD11.2+vs2019+tensorTR8.6+Yolov3/4/5模型加速
Vertira的博客
10-29 2820
WIN11+CUAD11.2+vs2019+tensorTR8.6+Yolov3/4/5模型加速
【error】Implicit dimension choice for softmax has been deprecated. Change the call to include dim=X
ccbrid的博客
01-04 1万+
报错信息： Implicit dimension choice for softmax has been deprecated. Change the call to include dim=X as an argument. 错误行数： softmax = F.softmax(enout_att.squeeze(2))  回想: 错误发生在我更新了pytorch版本0.1更新到0.3，...
使用tensorrt遇到的一些坑
蜗牛博客
07-16 7853
记录个人使用tensorrt时遇到的一些坑，仅供参考，欢迎一起探讨
python中的tensorRT环境部署
weixin_44220689的博客
03-22 983
tensorrt的环境部署
安装TensorRT
linxinloningg的博客
01-16 1835
安装TensorRT
TensorRT安装及使用教程
sinat_38354963的博客
08-21 8583
参考：https://blog.csdn.net/zong596568821xp/article/details/86077553 一、TensorRT安装 官网下载 坑： （1）根据自己cuda的安装方式自行选择下载deb还是tar文件 （2）下载链接中标明了对应的cuda版本以及操作系统 （3）下载后文件名中标明的需要的cuDNN的版本，需要时自行下载 （4）参考博客中的版本只支...
Groovy安装、语法和事例文件
03-03
Groovy是一种基于Java平台的动态编程语言，它与Java语法高度兼容，但...通过以上介绍，我们对Groovy的安装、基本语法和应用有了初步了解。实践中不断探索和使用，你将能更好地掌握这门语言，并利用其特性提升开发效率。
sqlserver 数据库程序集事例
11-21
一个 sqlserver 数据库程序集事例 ，主要用到了数据库clr 功能，这个事例程序，实现的是数据库的 自动备份，并上传到制定服务器上，支持smb/ftp 两个协议。你在使用生成的dll 时需要先了解官方程序集的创建方式。
实例程序_MSP430事例_
09-29
总的来说，"实例程序_MSP430事例_"提供了一个学习和实践MSP430微控制器功能的良好平台，涵盖了基础的外设控制和通信协议。掌握这些知识，将有助于提升开发者的嵌入式系统设计能力，进一步推动创新项目的发展。
dotnet和一些VB程序事例
02-05
在这个"dotnet和一些VB程序事例"的压缩包中，我们找到了"1net framework 2.0运行库"。这是.NET框架的早期版本，发布于2005年。尽管现在已经有了更新的版本，如.NET 5、6甚至.NET Core，但理解.NET框架的基础版本对于...
微信小程序 ｜ 开发常用事例 2
03-29
一起来看关于小程序常用事例 话不多说，立刻开搞～ 一、 实现底部 Tab 栏 "tabBar": { "color": "#515151", "selectedColor": "#01509F", "list": [ { "pagePath": "pages/index/index", "text": "预约", ...
TensorRTX反序列fp32模型量化失败，原因是因为numclasses数量不对。当前为v8s_seg分割模型，但是报错，生成的engine文件为0kb故为错误的。
blink182007的博客
04-10 907
Convolution]:kernel weights has count 3840 but 32640 was expected，yolov5s生成engine模型失败_yolov5s.engine-CSDN博客。当前分割背景的类别不要算进去，训练的时候，是几个类别，这里就是几个，不要额外加一。先附上解决方案：参考修改config.h文件。修改这个config.h文件，然后继续修改。
如何解决TensorRT samples的BufferManager不支持有动态维度的engine的问题
XCCCCZ的博客
02-17 3160
TensorRT samples里common的代码是写得不错的用于简化调用TensorRT engine的套路的封装代码，使用这些封装类可以节省些代码，也使得代码更优雅点，但是里面有点问题，例如，有dynamic batch_size或者height/width维度的模型engine，在调用时会发生崩溃: terminate called after throwing an instance of 'std::bad_alloc' what(): std::bad_alloc ...
Cmake工程报warning: XXX is deprecated [-Wdeprecated-declarations]
热门推荐
weixin_42156097的博客
05-13 1万+
描述 Cmake工程执行编译链接命令过程中，举例 cd build cmake .. make -j12 能够make成功100%，但是在链接过程中终端打印信息提示 warning: XXX is deprecated [-Wdeprecated-declarations] \\ XXX代表某函数 原因 这是一句警告，简单来说就是在你代码中使用的XXX函数已经被弃用了。 具体发生原因暂时不清楚，可能，我说的是可能，新链接的某个库对你在头文件定义的XXX函数，函数名字进行了替换 解决 warning不影响
tensorrt部署YOLOv5模型记录【附代码，支持视频检测】
deep_love1314的博客
06-08 2470
该转载涉及yolov5的视频检测
TensorRT实现yolov5推理加速（二）
IT菜鸟
09-22 2573
一、参考资料 yolov5_tensorrt_int8 tensorrtx [TensorRT int8 量化部署 yolov5s 5.0 模型](https://www.cnblogs.com/KdeS/p/15119831.html) Tensorrt环境安装及yolov5模型转换以及量化部署INT8 二、重要说明 github源码: tensorrtx 三、可能出现的问题 dnn未安装 /home/yichao/MyDocuments/tensorrtx/yolov5/calibrator.c
Linux下部署python记录
最新发布
龙井茶的Sky
08-06 904
在本地实现了一个python写的webapi，现在要部署到一个外网服务器测试，奈何服务器资源不是我的，而且配置很低。之前我是搞过直接Linux下docker部署python，但是服务器配置很低可能没法搞docker，只能直接在Linux服务器部署python。不过实际上，Linux直接部署、Linux下docker部署，差别不大的。最终，我还是采用了直接运行代码的方式。使用打包部署的方式一直没成功，主要问题在于，同一个服务器，直接运行代码没问题，但是打包部署运行，就提示缺包或找不到包的情况。
写一个pid算法stc32事例程序
05-27
好的，下面是一个简单的PID算法STC32事例程序，实现了控制一个直流电机的速度： ``` #include "STC32.h" // PID参数 float KP = 1.0; float KI = 0.1; float KD = 0.01; // 采样周期 float T = 0.01; // 目标速度 float target_speed = 100; // 电机速度 float motor_speed = 0; // PID变量 float last_error = 0; float error_sum = 0; // 电机控制 void control_motor(float pid_output) { // 将PID输出限制在[-255, 255]之间 if (pid_output > 255) { pid_output = 255; } else if (pid_output < -255) { pid_output = -255; } // 设置电机PWM输出 if (pid_output > 0) { P1_4 = 0; P1_5 = 1; PWM1 = pid_output; } else { P1_4 = 1; P1_5 = 0; PWM1 = -pid_output; } } // PID计算 float pid_calc(float current_speed) { float error = target_speed - current_speed; float error_rate = (error - last_error) / T; error_sum += error * T; float pid_output = KP * error + KI * error_sum + KD * error_rate; last_error = error; return pid_output; } // 主函数 int main() { // 初始化GPIO和PWM P1M1 = 0; P1M0 = 0xFF; PWM_CR = 0x82; PWM_CMR = 0x02; // 循环计算PID并控制电机 while (1) { // 读取电机速度 motor_speed = read_motor_speed(); // 计算PID输出 float pid_output = pid_calc(motor_speed); // 控制电机 control_motor(pid_output); // 延时一段时间，等待下一次采样 delay_ms(10); } return 0; } ``` 上述代码中，`KP`、`KI`和`KD`是PID的三个参数，`T`是采样周期，`target_speed`是目标速度，`motor_speed`是电机实际速度，`last_error`和`error_sum`是PID计算中需要保存的变量。 在`pid_calc()`函数中，先计算误差值和误差变化率，累计误差值，再根据PID公式计算出PID输出。在`control_motor()`函数中，将PID输出限制在[-255, 255]之间，并根据输出控制电机的PWM输出。 在主函数中，循环读取电机速度，计算PID输出，并控制电机。需要注意的是，在实际应用中，还需要根据具体的电机和采样周期调整PID参数，以获得更好的控制效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值