【TensorRT】Yolov5-DeepSORT 目标跟踪

Yolov5-DeepSORT-TensorRT

本项目是 Yolo-DeepSORT 的 C++ 实现，使用 TensorRT 进行推理

🚀🚀🚀 开源地址：Yolov5_DeepSORT_TensorRT，求 star⭐ ~

引言

• ⚡ 实时性：推理速度可达25-30FPS
• 🔢 INT8量化：yolo使用INT8量化，量化模型可使用本文提供的 onnx 文件（见正文），或参考我的量化项目 yolov5_quant
• 🐳 快速搭建开发环境：提供了 dockerfile，使用方式见 docker 文件夹
• 📥 无需手动转换模型：下载并使用本文提供的 onnx 文件（见正文），在程序运行时会自动解析 onnx 并序列化出 engine 文件（*.trtmodel）到 workspace 目录下

我的另一个 PyTorch 版本的实现，含撞线检测，可对行人进行计数，开源地址：Yolov5_Deepsort_Person_Count

一、快速使用

💻 环境配置

推荐参考项目内的 README 使用Docker容器，或参考下方自行配置：

• python: 3.8
• cuda: 11.2
• cudnn: 8.2.2.26
• tensorRT: 8.0.3.4
• protobuf: 3.11.4

📥 下载视频&模型

下载本项目并进入目录：

git clone https://github.com/Tongkaio/Yolov5_DeepSORT_TensorRT.git
cd Yolov5_DeepSORT_TensorRT

创建工作目录:

mkdir workspace

下载文件到 workspace 目录下：

文件	链接
*.onnx, test.mp4	下载 (提取码: zxao)

• yolov5s.onnx 导出自 yolov5-6.0，deepsort 的 onnx 导出自 deep_sort_pytorch，可参考脚本 exportOnnx.py
• yolov5s_ptq(_nosens).onnx 是量化模型，参考 yolov5_quant

🏃‍ 运行

修改 MakeFile 中的相关头文件和库文件路径（若使用本项目提供的 docker 则不需要），然后执行：

make run

项目运行时将显示推理结果，按 ESC 退出。

目前在 GeForce RTX 2060 上，推理 test.mp4 的速度约为 40 ms/帧，满足实时性要求。

二、文件说明

• Infer、Yolo 和 DeepSORT 使用接口模式和 RAII 进行封装：

  • infer.h， yolo.h，deepsort.h 仅暴露 create_* 和推理接口
  • 使用 create_* 创建对象实例，将自动解析 onnx 文件，生成 engine 并加载

• infer.cpp: 分四个线程，两两之间为生产者-消费者关系：

三、项目参考

本项目构建过程中参考了以下优秀的开源项目，在此对这些项目的作者表示感谢：

• https://github.com/GesilaA/deepsort_tensorrt
• https://github.com/onnx/onnx-tensorrt/tree/release/8.0
• https://github.com/shouxieai/tensorRT_Pro