jetson orin nano 使用yolov8导出engine

1. 导出onnx

经过前面训练，得到了best.pt模型，现在想要使用tensorrt进行推理，需要先导出为onnx格式，再转化为engine格式。

yolo export model=best.pt format=onnx opset=12 simplify=True

2.解决错误

在导出过程中，可能会出现错误，

1. cmake版本问题
   安装好后，默认cmake版本为3.16，需要对cmake进行升级

 sudo pip install --upgrade cmake==3.24.0 -i https://pypi.douban.com/simple
 hash -r
 使用cmake --version 查看最新版本号

3. 没有onnxruntime、onnxsim问题
   使用以下命令安装

 pip3 install  onnxsim onnxruntime -i https://pypi.douban.com/simple

3.使用gpu进行预测

yolo task=pose mode=predict model=/home/nvidia/best.onnx source=0 show=True save=True device=0

如果出现错误

onnxruntime_inference_collection.py:69: UserWarning: Specified provider 'CUDAExecutionProvider' is not in available provider names.Available providers: 'AzureExecutionProvider, CPUExecutionProvider'
  warnings.warn(

说明没有安装onnxruntime-gpu,无法使用gpu进行预测。
解决办法：
在jetson orin nano中，先卸载onnruntime,

pip3 uninstall   onnxruntime

然后在https://elinux.org/Jetson_Zoo，根据自己的jetpack版本、cuda版本、python版本，选择对应的onnxruntime-gpu，
例如，我的时jetpack5.1.1,cuda是11.4，python是3.8，所以选择onnxruntime1.12.1,
在官网https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html查看cuda对应的onnruntime-gpu版本。
下载完成后，使用命令安装

pip3 install onnxruntime_gpu-1.12.1-cp38-cp38-linux_aarch64.whl

4、导出为engine

首先设置tensorrt路径，打开~/.bashrc,添加

export PATH=/usr/src/tensorrt/bin:$PATH

到文件末尾，执行

source ~/.bashrc

更新后，可以执行

trtexec --onnx=/home/nvidia/best.onnx --saveEngine=/home/nvidia/best.engine

等待5-10分钟后，转换完毕