TensorRT部署避坑

版本统一

cuda、cudnn、tensorrt版本对应关系与安装教程csdn上有很多,本文不做描述

cudnn安装须知

  • /include中文件拷贝到/usr/local/cuda/include
  • /lib/libcundd*拷贝到/usr/local/cuda/lib64

tensorRT安装须知

  • 设置环境变量

    • 终端设置方式
    #解压得到TensorRT-8.6.1.6的文件夹,将里边的lib绝对路径添加到环境变量中
    export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/sxj/xiazai/TensorRT-8.6.1.6/lib
     
    # 重新加载环境变量
    source ~/.bashrc
    
    • 文件设置方式
    sudo gedit ~/.bashrc
    
    

    修改文件

    export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/pkc/AJ/3rdParty/TensorRT/lib
    export PATH=/home/pkc/AJ/3rdParty/TensorRT/bin${PATH:+:${PATH}}
    

    然后在终端运行

    source ~/.bashrc
    

设置好环境变量后一定要打开文件确认

为了避免其它软件找不到 TensorRT 的库,建议把 TensorRT 的库和头文件添加到系统路径下:

# TensorRT路径下
sudo cp -r ./lib/* /usr/lib
sudo cp -r ./include/* /usr/include

部署大坑

nvinfer1::createInferBuilder创建返回nullptr

  1. tensorrt环境错误,确认~/.bashrc中相应的变量路径;
  2. 没有引用库文件cuda::cudart
  3. 日志对象logger创建错误。

tensort调用

CMakeLists

# cuda
find_package(CUDAToolkit REQUIRED)
message(STATUS "CUDA:${CUDAToolkit_INCLUDE_DIRS}")
include_directories("${CUDAToolkit_INCLUDE_DIRS}")
link_directories(${CUDAToolkit_LIBRARY_DIR})

# TensorRT
set(TENSORRT_ROOT "/home/pkc/AJ/3rdParty/TensorRT")
include_directories("/home/pkc/AJ/3rdParty/TensorRT/include")
link_directories("${TENSORRT_ROOT}/lib")
file(GLOB TENSORRT_LIBS "${TENSORRT_ROOT}/lib/*.so")

target_link_libraries(${PROJECT_NAME}
        ${TENSORRT_LIBS}
        CUDA::cudart
        nvinfer
        nvonnxparser
)
TensorRT是NVIDIA推出的用于高性能推断的深度学习优化器和运行时引擎。它可以针对深度神经网络模型进行优化,从而加速模型的推理过程。在TensorRT中,部署ResNet网络可以按照以下步骤进行: 1. 生成ONNX文件:首先,将ResNet模型转换为ONNX格式。使用PyTorch官方提供的torch.onnx.export()函数可以将模型转换为ONNX文件。在转换过程中,需要指定输入的维度和模型的权重等信息。 2. 创建推理引擎:接下来,使用TensorRT的API来创建推理引擎。可以使用TensorRT的Builder和Network类来构建网络结构,并设置优化参数和推理选项。 3. 编译和优化:在创建网络结构后,需要使用TensorRT的Builder类将网络编译为可执行的推理引擎。在此过程中,TensorRT会对网络进行优化,包括融合卷积、批量归一化和激活函数等操作,以提高推理性能。 4. 推理:最后,使用生成的推理引擎对输入数据进行推理。可以将输入数据传递给推理引擎,并获取输出结果。 需要注意的是,部署TensorRT需要在系统中安装相应的软件和依赖库,如CUDA和TensorRT。在Windows 10系统上完成部署时,需要确保软件和依赖包的正确安装和配置。 总结来说,TensorRT部署ResNet网络的过程包括ONNX文件的生成、推理引擎的创建、编译和优化以及最后的推理过程。这样可以提高模型的推理性能,并加速图片分类项目的部署。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [tensorRT部署resnet网络Python、c++源码](https://download.csdn.net/download/matlab_xiaogen/86404017)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [TensorRT部署总结(一)](https://blog.csdn.net/qq_23022733/article/details/124566752)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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