Jetson nano （4GB版本）跑yolov8n(TensorRT 加速)网络

大家好，我是王硕，项目原因需要在Jetson nano平台上跑yolov8s ，需要使用TensorRt加速，看了网上的教程，写的太差了，资料零零散散的，故详细介绍一下步骤。

如果想使用jetson Nano平台部署yolov8，并用TensorRT加速，需要以下环境要求：

JetPack 4.6 (烧进系统的默认自带的，不用管)
Python3.8   (需要自己编译)
Cuda 10.2   (烧进系统的默认自带的，不用管)
torch 1.11.0-cp38-GPU (python3.8下的pytorch GPU版本；本文提供)
TensorRT 8.2 (需要自己编译)

废话不多说，按照以下步骤走，就能行。

1.下载python源码并编译

$ sudo apt install zlib1g-dev libncurses5-dev libgdbm-dev libnss3-dev libssl-dev libreadline-dev libffi-dev libsqlite3-dev libbz2-dev
$ cd ~/
$ mkdir build-python-3.8.1 & cd build-python-3.8.1/
$ wget https://www.python.org/ftp/python/3.8.1/Python-3.8.1.tar.xz
$ tar xvf Python-3.8.1.tar.xz
$ ../Python-3.8.1/configure --enable-optimizations
$ make -j8
$ sudo -H make altinstall
$ cd ../

等待编译完成（大概5分钟）

2.编译Cmake源码，因为自带的cmake版本太低了，需要手动编译高版本。

$ cd ~/
$ mkdir cmake & cd cmake
$ sudo apt-get install -y protobuf-compiler libprotobuf-dev openssl libssl-dev libcurl4-openssl-dev
$ wget https://github.com/Kitware/CMake/releases/download/v3.13.5/cmake-3.13.5.tar.gz
$ tar xvf cmake-3.13.5.tar.gz
$ cd cmake-3.13.5/
$ ./bootstrap --system-curl
$ make -j8
$ echo 'export PATH='${PWD}'/bin/:$PATH' >> ~/.bashrc
$ source ~/.bashrc
$ cd ../
$reboot  #可以省略此步骤，主要是让环境变量生效，保险起见，重启一下吧

3.准备编译TensorRT  (重点！！！，容易出错)

jetson nano自带的tensorrt是基于python3.6版本，太老了，没办法用，故重新编译python3.8环境下的TensorRT。

$ cd ~/build-python-3.8.1/
$ mkdir python3.8
$ mkdir python3.8/include
$ wget https://launchpad.net/ubuntu/+source/python3.8/3.8.0-3~18.04/+build/17998540/+files/libpython3.8-dev_3.8.0-3~18.04_arm64.deb
 #网络卡的话，可手动下载。
$ ar x libpython3.8-dev_3.8.0-3~18.04_arm64.deb
$ tar -xvf data.tar.xz
#这个./usr 哈，一定要带./usr,当前路径下的usr文件夹。当前路径下的usr文件夹，当前路径下的usr文件夹
$ cp ./usr/include/aarch64-linux-gnu/python3.8/pyconfig.h  Python-3.8.1/Include/    
$ mkdir python3.8
$ mkdir python3.8/include
$ cp -r Python-3.8.1/Include/* python3.8/include/

到目前为止的目录结构，下面开始克隆pybind11,生成动态库 ：

$ cd ~/
$ mkdir external & cd external 
$ cp -r ../python_source_3_8/python3.8   ./
$ git clone https://github.com/pybind/pybind11.git
$ git clone -b release/8.2 https://github.com/NVIDIA/TensorRT.git
$ cd TensorRT
$ git submodule update --init --recursive
$ cd python/
$ sudo ./build.sh

接下来会出现各种错误，首先出现的错误就是找不到nvcc编译器，输入以下代码解决

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export CUDA_ROOT=/usr/local/cuda

在输入nvcc  --version，如果出现以下信息，说明成功

解决完此错误，继续执行以下命令：

sudo ./build.sh

执行完成后，会报各种错误，同时在当前吗目录生成Makefile，截图如下，文件中包含Makefile

生成Makefile后，继续执行以下命令：

sudo make -j8

会出现以下错误，找不到cub/cub.cuh头文件：

编辑Tensor目录下的CmakeList.txt文件

$ vim ~/external/TensorRT/CMakeLists.txt #编辑Cmake

#把第101行代码
if(NOT CUB_ROOT_DIR)
  if (CUDA_VERSION VERSION_LESS 11.0)
    set(CUB_ROOT_DIR ${CMAKE_CURRENT_SOURCE_DIR}/third_party/cub CACHE STRING "directory of 
    CUB installation")
  endif()
endif()

 改成：

if(NOT CUB_ROOT_DIR)
  if (CUDA_VERSION VERSION_LESS 11.0)
    set(CUB_ROOT_DIR ${CMAKE_CURRENT_SOURCE_DIR}/third_party/cub CACHE STRING "directory of CUB installation")
  endif()
endif()
#强制生效CUB_ROOT_DIR变量
set(CUB_ROOT_DIR ${CMAKE_CURRENT_SOURCE_DIR}/third_party/cub CACHE STRING "directory of CUB installation")

修改~/TensorRT/python/.build.sh文件，如下所示：

#python版本 
PYTHON_MAJOR_VERSION=${PYTHON_MAJOR_VERSION:-3}
PYTHON_MINOR_VERSION=${PYTHON_MINOR_VERSION:-8}

#架构
TARGET=${TARGET:-aarch64}
#ROOT_PATH为TensorRT根目录
ROOT_PATH=${TRT_OSSPATH:-/home/nwd/external/TensorRT}
#external目录路径
EXT_PATH=${EXT_PATH:-/home/nwd/external}

WHEEL_OUTPUT_DIR=${ROOT_PATH}/python/build

mkdir -p ${WHEEL_OUTPUT_DIR}
pushd ${WHEEL_OUTPUT_DIR}

# Generate tensorrt.so
echo $(ls ${ROOT_PATH}/python/include)
cmake .. -DCMAKE_BUILD_TYPE=Release \
         -DTARGET=${TARGET} \
         -DPYTHON_MAJOR_VERSION=${PYTHON_MAJOR_VERSION} \
         -DPYTHON_MINOR_VERSION=${PYTHON_MINOR_VERSION} \
         -DEXT_PATH=${EXT_PATH} \
         -DCUDA_INCLUDE_DIRS=/usr/local/cuda/include \
         -DTENSORRT_ROOT=${ROOT_PATH} \
         -DTENSORRT_BUILD=${ROOT_PATH}/build/ \
         -DCMAKE_CUDA_COMPILER=/usr/local/cuda-10.2/bin/nvcc


make -j

# Generate wheel
TRT_MAJOR=$(awk '/^\#define NV_TENSORRT_MAJOR/ {print $3}' ${ROOT_PATH}/include/NvInferVersion.h)
TRT_MINOR=$(awk '/^\#define NV_TENSORRT_MINOR/ {print $3}' ${ROOT_PATH}/include/NvInferVersion.h)
TRT_PATCH=$(awk '/^\#define NV_TENSORRT_PATCH/ {print $3}' ${ROOT_PATH}/include/NvInferVersion.h)
TRT_BUILD=$(awk '/^\#define NV_TENSORRT_BUILD/ {print $3}' ${ROOT_PATH}/include/NvInferVersion.h)
TRT_VERSION=${TRT_MAJOR}.${TRT_MINOR}.${TRT_PATCH}.${TRT_BUILD}
TRT_MAJMINPATCH=${TRT_MAJOR}.${TRT_MINOR}.${TRT_PATCH}

echo "Generating python ${PYTHON_MAJOR_VERSION}.${PYTHON_MINOR_VERSION} bindings for TensorRT ${TRT_VERSION}"

expand_vars_cp () {
    test -f ${1} || (echo "ERROR: File: ${1} does not exist!" && exit 1); \
    sed -e "s|\#\#TENSORRT_VERSION\#\#|${TRT_VERSION}|g" \
        -e "s|\#\#TENSORRT_MAJMINPATCH\#\#|${TRT_MAJMINPATCH}|g" \
        ${1} > ${2}
}

pushd ${ROOT_PATH}/python/packaging
for dir in $(find . -type d); do mkdir -p ${WHEEL_OUTPUT_DIR}/$dir; done
for file in $(find . -type f); do expand_vars_cp $file ${WHEEL_OUTPUT_DIR}/${file}; done
popd
python3 setup.py -q bdist_wheel --python-tag=cp${PYTHON_MAJOR_VERSION}${PYTHON_MINOR_VERSION} --plat-name=linux_${TARGET}

popd

修改完成后，重新编译。编译完成会在build目录生成tensorrt.so文件，如下图：

 

如果没有生成tensorrt.so文件，说明pybind11路径设置有问题，或架构设置不是aarch64，仔细检查一下，如果你不想自己编译，也可以下载我编译好的TensorRT。

安装TensorRt，这里有一个坑，不能直接使用命令安装Tensorrt，需要手动安装，否则会报错，手动安装也非常简单，

a. 首先查看pip的位置：

$ pip --version

结果:

pip 22.3.1 from /home/nwd/archiconda3/envs/yolov8s/lib/python3.8/site-packages/pip (python 3.8)

其中/home/nwd/archiconda3/envs/yolov8s/lib/python3.8/site-packages/ 为包路径，开始手动复制TensorRT包到路径下：

$ sudo cp -r tensorrt /home/nwd/archiconda3/envs/yolov8s/lib/python3.8/site-packages/

测试安装的TensorRT

#直接打开python解释器，导入Tensorrt的包。并打印版本信息
$ python3.8
>>> import tensorrt
>>> print(tensorrt.__version__)
运行结果:
    “8.2.3.0”

4.部署yolov8

在部署yolov8之前，因为yolov8要求python3.8及以上的python版本，需要安装专门为JetsonNano平台下，python3.8编译GPU驱动版本的pyorch，需要从pytorch源码编译，有想自己编译的可参考如下链接：

https://i7y.org/en/pytorch-build-on-jetson-nano/

编译大概需要13个小时，因此本文使用编译好的pytorch文件，这个包会在文章末尾下载（百度云盘），输入以下命令直接安装：

$ pip3.8 install  torch-1.11.0a0+gitbc2c6ed-cp38-cp38-linux_aarch64.whl 
$ pip3.8 install   torchvision-0.12.0a0+9b5a3fe-cp38-cp38-linux_aarch64.whl 

到此为止我们安装了：tensorRT 8.2.3.0 、pytorch 1.11.0  、torchvision 0.12.0。

开始安装yolov8，很简单，输入如下命令：

$ pip install ultralytics
$ pip install onnx
$ pip uninstalll numpy  #numpy需要换成指定版本，故卸载重装其他版本
$ pip install numpy==1.23.2
$ pip install onnxslim

安装完成，就可以测试了，新建python脚本，并输入以下测试代码：

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8s.pt")

# Export the model to TensorRT format
model.export(format="engine")  # creates 'yolov8n.engine'

# Load the exported TensorRT model

tensorrt_model = YOLO("yolov8s.engine")

# Run inference
#这里的图片路径换成自己想要识别的
results = tensorrt_model("/home/nwd/yolov8/YOLOv8-TensorRT/data/bus.jpg")

print(results)

运行发现报错，找不到onnxruntime_gpu的错误

 因此，我们继续安装onnxruntime的GPU版本，这个包主要是来把.pt文件转成onnx文件。

这个包，官方为我们编译好了,( Jetson Nano的JetPack 版本默认是4.6 ！！！) ，别下载错了。。下载链接（文章末尾百度云也提供了）。

https://elinux.org/Jetson_Zoo#ONNX_Runtime

下载完成后。直接安装

$ pip install onnxruntime_gpu-1.7.0-cp38-cp38-linux_aarch64.whl  

    到此为止，在进行测试，发现就可以运行了。强调，因为跑模型需要大量内存，可以关闭jetson nano的图形界面，为了省此内存，参考这位同志的教程：

Jetson Nano 关闭开启图形界面减少内存占用_jetson nano 关闭图形界面-CSDN博客

 如果要跑yolov8s，就不用关闭图形界面。推理流程依赖关系

模型转换关系：yolov8s.pt ----->yolov8s.onnx----->yolov8s.engine
推理：TensorRT加载yolov8s.engine权重文件进行加速。

主要难度是编译TensorRT，如果编译不成功，不会生成Tensort.so动态库文件。只要编译成功就会在build/tensorRT文件夹中找到Tensort.so文件。

文中涉及的资源：通过网盘分享的文件：yolov8
链接: https://pan.baidu.com/s/1-d3jEkHK-ts-LvsU3fyUjw 提取码: ws66