一、下载yolo模型源码
二、yolo权重模型yolov5s.pt转tensorrt模型(.trt)
1、.py–>.onnx
yolov5中自带模型转换代码。
export.py
修改相关参数:–weights 输入的模型,–img-size 转出模型的输入图像尺寸,–include 输出模型类型(torchscript, onnx, openvino, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle)
2、onnx–>engine
需要用到tensorrt中的trtexec.exe文件,将文件复制到yolov5文件夹下。
然后再yolov5文件夹下打开命令窗口,输入模型名称,等待转换完成。
E:\yolov5-master>trtexec --onnx=yolov5s.pt --saveEngine=yolov5s.engine --fp16
三、用yolov5s.pt进行测试
在detect.py下修改–weights 为yolov5s.engine,调整输入大小 --img-size
四、结果对比
对2分钟的一段视频进行测试,未部署tensorrt(.py)总用时:31.79s,平均每帧推理用时:3.3ms ;
部署tensorrt(.trt) 总用时:27.77s,推理用时:1.6ms 。
推理提升两倍左右。