tensorrt部署YOLOv5模型记录【附代码，支持视频检测】

已于 2022-06-08 09:00:48 修改
阅读量2.6k 收藏 10
点赞数 3
分类专栏： C++ 深度学习算法部署 深度学习 文章标签： tensorRT 视频检测 部署
于 2022-06-08 08:59:32 首次发布
原文链接：https://blog.csdn.net/z240626191s/article/details/125003898?spm=1001.2014.3001.5502
版权
本文详述了在Windows 10环境下，使用TensorRT 8.2.4.2和CUDA 10.2部署YOLOv5s模型的过程，包括TensorRT的下载配置、VS2017的设置、YOLOv5模型转换为wts格式、CMakeLists配置、编译及程序运行。文章提供了图像和视频预测的步骤，并给出了可能出现的问题及解决办法。附带权重文件和代码链接。
摘要由CSDN通过智能技术生成

训练出来的模型最终都需要进行工业部署，现今部署方案有很多，tensorflow和pytorch官方也都有发布，比如现在pytorch有自己的Libtorch进行部署【可以看我另一篇文章有讲利用Libtorch部署分类网络】。同时英伟达也推出了tensorrt进行模型部署，同时可以进行模型加速，这篇文章就是在学习利用tensorrt进行YOLOv5部署记录【需要有C/C++的基础，我也在学这一部分】 

【权重在文末百度云自取】 

目录

环境说明

TensorRT下载与配置

VS2017配置

YOLOV5 部署

生成wts模型

CMakeLists文件配置 

运行Cmake

编译 

 程序运行

预测 

图像预测：

 视频预测

环境说明

系统：windows 10

VS2017

TensorRT-8.2.4.2

CUDA 10.2

显卡1650

看自己cuda的版本可以打开cmd，输入nvcc -V


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       nvcc: NVIDIA (R) Cuda compiler driver
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Copyright (c) 2005-2019 NVIDIA Corporation
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Built on Wed_Oct_23_19:32:27_Pacific_Daylight_Time_2019
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Cuda compilation tools, release 10.2, V10.2.89

关于cuda的安装网上有很多，这里不再说明【但要注意版本的对应，还有装CUDA10.2一定要装上官网提供的两个补丁！】

可以一个电脑上装多个版本的cuda，比如我的电脑就是装了cuda10.0和cuda10.2，只需要切换环境变量即可。

TensorRT下载与配置

TensorRT链接：https://developer.nvidia.com/nvidia-tensorrt-8x-download

进入官网应该如果没有账号就注册一个，登录以后才可以下载，会有如下界面

选择你想要的下载的版本【注意和自己的cuda对应】

比如我下载的版本为8.2.4.2，cuda版本10.2，cudnn8.2

下载好以后解压

1. 将 TensorRT-8.2.4.2\include中头文件 copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include


2. 将TensorRT-8.2.4.2\lib 中所有lib文件 copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64


3. 将TensorRT-8.2.4.2\lib 中所有dll文件copy 到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin

VS2017配置

用VS2017测试一下Tensorrt是否安装成功

打开【TensorRT-8.2.4.2\samples\sampleMNIST\sample_mnist.sln】

打开项目后，右键项目》属性》配置属性》常规，检查下我画红框的地方【VS2015不一样】

 然后点VC++目录，在右侧常规中的可执行文件目录中，将TensorRT中的lib库文件路径填写进去。填写进去以后要点击右下角的应用。

 再点C/C++，右侧的附加包含目录，将tensorrt的bin目录路径填写上去，然后点右下角应用

再点击链接器》输入，在右侧的附加依赖项中将TensorRT下lib库中的.lib放进去 然后点击应用。

 我的附加依赖项中包含以下lib文件【可以参考以下】，就把你lib文件下的lib文件全放进来，其中cudnn.lib，cublas.lib，cudart.lib，nvrtc.lib,是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64 目录下的

nvinfer.lib
nvinfer_plugin.lib
nvonnxparser.lib
nvparsers.lib
cudnn.lib
cublas.lib
cudart.lib
nvrtc.lib

全部设置好，回到VS界面中，右键项目生成

 生成项目以后，会在F:\TensorRT-8.2.4.2\bin  目录下生成一个sample_mnist.exe文件，然后用cmd进行该路径下，运行这个exe文件，出现以下案例就说明安装成功了。


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       &&&& RUNNING TensorRT.sample_mnist [TensorRT v8204] 
       
       # F:\TensorRT-8.2.4.2\bin\sample_mnist.exe
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:25] [I] Building and running a GPU inference engine 
       
       for MNIST
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:26] [I] [TRT] [MemUsageChange] Init CUDA: CPU +396, GPU +0, now: CPU 3492, GPU 890 (MiB)
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:27] [I] [TRT] [MemUsageSnapshot] Begin constructing builder kernel library: CPU 3516 MiB, GPU 890 MiB
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:27] [I] [TRT] [MemUsageSnapshot] End constructing builder kernel library: CPU 3623 MiB, GPU 926 MiB
      
      
    
     
     
  6. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:28] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +193, GPU +70, now: CPU 3800, GPU 996 (MiB)
      
      
    
     
     
  7. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:29] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +178, GPU +86, now: CPU 3978, GPU 1082 (MiB)
      
      
    
     
     
  8. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:29] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  9. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:29] [I] [TRT] Local timing cache 
       
       in use. Profiling results 
       
       in this builder pass will not be stored.
      
      
    
     
     
  10. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:43] [I] [TRT] Some tactics 
       
       do not have sufficient workspace memory to run. Increasing workspace size may increase performance, please check verbose output.
      
      
    
     
     
  11. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Detected 1 inputs and 1 output network tensors.
      
      
    
     
     
  12. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Total Host Persistent Memory: 5440
      
      
    
     
     
  13. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Total Device Persistent Memory: 0
      
      
    
     
     
  14. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Total Scratch Memory: 0
      
      
    
     
     
  15. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [MemUsageStats] Peak memory usage of TRT CPU/GPU memory allocators: CPU 1 MiB, GPU 16 MiB
      
      
    
     
     
  16. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [BlockAssignment] Algorithm ShiftNTopDown took 0.0466ms to assign 3 blocks to 8 nodes requiring 57857 bytes.
      
      
    
     
     
  17. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Total Activation Memory: 57857
      
      
    
     
     
  18. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +8, now: CPU 4472, GPU 1250 (MiB)
      
      
    
     
     
  19. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +0, GPU +10, now: CPU 4472, GPU 1260 (MiB)
      
      
    
     
     
  20. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  21. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [MemUsageChange] TensorRT-managed allocation 
       
       in building engine: CPU +0, GPU +4, now: CPU 0, GPU 4 (MiB)
      
      
    
     
     
  22. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] [MemUsageChange] Init CUDA: CPU +0, GPU +0, now: CPU 4398, GPU 1164 (MiB)
      
      
    
     
     
  23. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:45] [I] [TRT] Loaded engine size: 1 MiB
      
      
    
     
     
  24. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +59, GPU +66, now: CPU 4457, GPU 1232 (MiB)
      
      
    
     
     
  25. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +3, GPU +8, now: CPU 4460, GPU 1240 (MiB)
      
      
    
     
     
  26. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  27. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] TensorRT-managed allocation 
       
       in engine deserialization: CPU +0, GPU +1, now: CPU 0, GPU 1 (MiB)
      
      
    
     
     
  28. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +79, GPU +66, now: CPU 4372, GPU 1198 (MiB)
      
      
    
     
     
  29. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +2, GPU +8, now: CPU 4374, GPU 1206 (MiB)
      
      
    
     
     
  30. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  31. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] [TRT] [MemUsageChange] TensorRT-managed allocation 
       
       in IExecutionContext creation: CPU +0, GPU +0, now: CPU 0, GPU 1 (MiB)
      
      
    
     
     
  32. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] Input:
      
      
    
     
     
  33. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  34. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  35. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  36. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  37. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  38. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@.*@@@@@@@@@@
      
      
    
     
     
  39. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@.=@@@@@@@@@@
      
      
    
     
     
  40. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@+@@@.=@@@@@@@@@@
      
      
    
     
     
  41. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@% 
       
       #@@.=@@@@@@@@@@
      
      
    
     
     
  42. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@% 
       
       #@@.=@@@@@@@@@@
      
      
    
     
     
  43. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@+ *@@:-@@@@@@@@@@
      
      
    
     
     
  44. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@= *@@= @@@@@@@@@@
      
      
    
     
     
  45. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@. 
       
       #@@= @@@@@@@@@@
      
      
    
     
     
  46. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@=  =++.-@@@@@@@@@@
      
      
    
     
     
  47. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@       =@@@@@@@@@@
      
      
    
     
     
  48. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@  :*
       
       ## =@@@@@@@@@@
      
      
    
     
     
  49. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@:*@@@% =@@@@@@@@@@
      
      
    
     
     
  50. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@% =@@@@@@@@@@
      
      
    
     
     
  51. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@
       
       # =@@@@@@@@@@
      
      
    
     
     
  52. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@
       
       # =@@@@@@@@@@
      
      
    
     
     
  53. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@* *@@@@@@@@@@
      
      
    
     
     
  54. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@= 
       
       #@@@@@@@@@@
      
      
    
     
     
  55. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@= 
       
       #@@@@@@@@@@
      
      
    
     
     
  56. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@=.@@@@@@@@@@@
      
      
    
     
     
  57. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@++@@@@@@@@@@@
      
      
    
     
     
  58. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  59. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  60. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       @@@@@@@@@@@@@@@@@@@@@@@@@@@@
      
      
    
     
     
  61. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  62. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-15:16:46] [I] Output:
      
      
    
     
     
  63. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       0:
      
      
    
     
     
  64. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       1:
      
      
    
     
     
  65. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       2:
      
      
    
     
     
  66. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       3:
      
      
    
     
     
  67. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       4: **********
      
      
    
     
     
  68. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       5:
      
      
    
     
     
  69. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       6:
      
      
    
     
     
  70. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       7:
      
      
    
     
     
  71. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       8:
      
      
    
     
     
  72. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       9:
      
      
    
     
     
  73. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  74. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       &&&& PASSED TensorRT.sample_mnist [TensorRT v8204] 
       
       # F:\TensorRT-8.2.4.2\bin\sample_mnist.exe

如果运行exe报错，比如以下错误


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [ltWrapper.cpp::nvinfer1::rt::CublasLtWrapper::setupHeuristic::327] Error Code 2: Internal Error (Assertion cublasStatus == CUBLAS_STATUS_SUCCESS failed. )
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [01/19/2022-11:26:08] [E] [TRT] 2: [builder.cpp::nvinfer1::builder::Builder::buildSerializedNetwork::609] Error Code 2: Internal Error (Assertion enginePtr != nullptr failed. )

这可能是cuda10.2和Tensorrt兼容问题，需要安装cuda10.2补丁包(官网有),如果你确定已经安装了，可以再重新生成一下项目再试试。

YOLOV5 部署

针对YOLOv5 6.0版本进行部署

这部分本文参考自：

【YOLOv5 Tensorrt Python/C++部署_一笑奈何LHY的博客-CSDN博客_c++部署 python】

以yolov5s.pt为例，下载yolov5 6.0 和上述链接中的代码到本地：

根据基于上述参考链接中的代码，本项目添加了视频检测功能，可替换自己的类。同时为了可以读取类的txt文件，在项目中添加了一个获得类的函数


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       std::vector<std::string> get_classes(std::string &path)
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       {
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       	std::vector<std::string> classes_name;
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    	
       
       std::ifstream infile(path);
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    	
       
       if (infile.
       
       is_open())
      
      
    
     
     
  6. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       	{
      
      
    
     
     
  7. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       		std::string line;
      
      
    
     
     
  8. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    		
       
       while (
       
       getline(infile,line))
      
      
    
     
     
  9. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       		{
      
      
    
     
     
  10. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       			classes_name.
       
       emplace_back(line);
      
      
    
     
     
  11. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       		}
      
      
    
     
     
  12. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       	}
      
      
    
     
     
  13. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    	
       
       return classes_name;
      
      
    
     
     
  14. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       }
      
      
    
     
     

   
   

   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       git 
       
       clone -b v6.0 https://github.com/ultralytics/yolov5.git
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       https://github.com/YINYIPENG-EN/YOLOv5TensorRT.git

生成wts模型

将yolov5s.pt 文件放到yolov5文件夹下

 运行：

-w参数为输入pt权重模型路径，-o参数为输出wts模型的路径。将会在当前文件夹下生成yolov5s.wts文件，这个文件是用来之后转换成tensorrt的序列化模型

python gen_wts.py -w yolov5s.pt -o yolov5s.wts

CMakeLists文件配置 

这里默认你的Opencv已经安装好了

打开之前下载的YOLOv5TensorRT这个文件，修改CMakeLists.txt文件。修改Opencv、Tensorrt、dirent.h的目录。注意这三个文件必须填写绝对路径！

注：其中dirent.h在YOLOv5TensorRT/include/下，修改arch=compute_75;code=sm_75【因为我用的是英伟达1650，这个填写的是显卡算力，根据自己的显卡去修改，可参考：CUDA GPU | NVIDIA Developer】

我的CMakeLists.txt如下


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       cmake_minimum_required(VERSION 2.6)
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       project(yolov5) 
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       #change to your own path
      
      
    
     
     
  6. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ##################################################
      
      
    
     
     
  7. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(OpenCV_DIR 
       
       "F:\\opencv\\opencv\\build")  
      
      
    
     
     
  8. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(TRT_DIR 
       
       "F:\\TensorRT-8.2.4.2")  
      
      
    
     
     
  9. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(Dirent_INCLUDE_DIRS 
       
       "E:\\YOLOv5TensorRT\\include")
      
      
    
     
     
  10. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ##################################################
      
      
    
     
     
  11. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  12. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       add_definitions(-std=c++11)
      
      
    
     
     
  13. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       add_definitions(-DAPI_EXPORTS)
      
      
    
     
     
  14. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       option(CUDA_USE_STATIC_CUDA_RUNTIME OFF)
      
      
    
     
     
  15. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(CMAKE_CXX_STANDARD 11)
      
      
    
     
     
  16. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(CMAKE_BUILD_TYPE Debug)
      
      
    
     
     
  17. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  18. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(THREADS_PREFER_PTHREAD_FLAG ON)
      
      
    
     
     
  19. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       find_package(Threads)
      
      
    
     
     
  20. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  21. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       # setup CUDA
      
      
    
     
     
  22. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       find_package(CUDA 10.2 REQUIRED)
      
      
    
     
     
  23. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "    libraries: ${CUDA_LIBRARIES}")
      
      
    
     
     
  24. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "    include path: ${CUDA_INCLUDE_DIRS}")
      
      
    
     
     
  25. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       include_directories(
       
       ${CUDA_INCLUDE_DIRS})
      
      
    
     
     
  26. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       include_directories(
       
       ${Dirent_INCLUDE_DIRS}) 
      
      
    
     
     
  27. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  28. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       #change to your GPU own compute_XX
      
      
    
     
     
  29. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ###########################################################################################
      
      
    
     
     
  30. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(CUDA_NVCC_FLAGS 
       
       ${CUDA_NVCC_FLAGS};-std=c++11;-g;-G;-gencode;
       
       arch=compute_75;code=sm_75)
      
      
    
     
     
  31. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ###########################################################################################
      
      
    
     
     
  32. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  33. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ####
      
      
    
     
     
  34. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       enable_language(CUDA)  
       
       # add this line, then no need to setup cuda path in vs
      
      
    
     
     
  35. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ####
      
      
    
     
     
  36. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       include_directories(
       
       ${PROJECT_SOURCE_DIR}/include)
      
      
    
     
     
  37. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       include_directories(
       
       ${TRT_DIR}\\include)
      
      
    
     
     
  38. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  39. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       # -D_MWAITXINTRIN_H_INCLUDED for solving error: identifier "__builtin_ia32_mwaitx" is undefined
      
      
    
     
     
  40. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       set(CMAKE_CXX_FLAGS 
       
       "${CMAKE_CXX_FLAGS} -std=c++11 -Wall -Ofast -D_MWAITXINTRIN_H_INCLUDED")
      
      
    
     
     
  41. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  42. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       # setup opencv
      
      
    
     
     
  43. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       find_package(OpenCV QUIET
      
      
    
     
     
  44. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_MODULE
      
      
    
     
     
  45. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_DEFAULT_PATH
      
      
    
     
     
  46. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_PATH
      
      
    
     
     
  47. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_ENVIRONMENT_PATH
      
      
    
     
     
  48. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_SYSTEM_ENVIRONMENT_PATH
      
      
    
     
     
  49. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_PACKAGE_REGISTRY
      
      
    
     
     
  50. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_BUILDS_PATH
      
      
    
     
     
  51. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_SYSTEM_PATH
      
      
    
     
     
  52. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
           NO_CMAKE_SYSTEM_PACKAGE_REGISTRY
      
      
    
     
     
  53. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       )
      
      
    
     
     
  54. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  55. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "OpenCV library status:")
      
      
    
     
     
  56. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "    version: ${OpenCV_VERSION}")
      
      
    
     
     
  57. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "    libraries: ${OpenCV_LIBS}")
      
      
    
     
     
  58. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       message(STATUS 
       
       "    include path: ${OpenCV_INCLUDE_DIRS}")
      
      
    
     
     
  59. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  60. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       include_directories(
       
       ${OpenCV_INCLUDE_DIRS})
      
      
    
     
     
  61. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       link_directories(
       
       ${TRT_DIR}\\lib)
      
      
    
     
     
  62. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  63. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       add_executable(yolov5 
       
       ${PROJECT_SOURCE_DIR}/yolov5.cpp 
       
       ${PROJECT_SOURCE_DIR}/yololayer.cu 
       
       ${PROJECT_SOURCE_DIR}/yololayer.h 
       
       ${PROJECT_SOURCE_DIR}/preprocess.cu) 
      
      
    
     
     
  64. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
     
      
      
    
     
     
  65. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       target_link_libraries(yolov5 
       
       "nvinfer" 
       
       "nvinfer_plugin")  
      
      
    
     
     
  66. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       target_link_libraries(yolov5 
       
       ${OpenCV_LIBS})     
      
      
    
     
     
  67. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       target_link_libraries(yolov5 
       
       ${CUDA_LIBRARIES})  
      
      
    
     
     
  68. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       target_link_libraries(yolov5 Threads::Threads)

运行Cmake

在YOLOv5TensorRT/下建一个build文件

 打开CMake，代码为YOLOv5TensorRT,build目录为刚才新建的build路径

 然后点击Configure(下图中的路径还是写的Yolov5_Tensorrt_Win10是老项目，因为添加了东西，其实已经换成了YOLOv5TensorRT和YOLOv5TensorRT/build )

 运行完以后会出现以下界面，显示配置完成，点击Generate 在点击open Project会自动打开VS

有时候会提升找不到cuda，检查一下路径对不对。【有时候Cmake的时候有各种问题，欢迎大家把遇到的问题和解决办法留言，方便大家一起解决学习】

 

编译 

进入：E:\YOLOv5TensorRT\build  ，打开yolov5.sln  项目文件

然后依次打开项目中的yolov5/Header Files/yololayer.h，可以修改红色框中的输入大小和类的数量。

 上VS界面上面的Debug改为Release

 右键项目重新生成

 编译成功以后，会在YOLOv5TensorRT\build\Release下生成一个yolov5.exe程序

 程序运行

生成engine文件

 将最前面生成的yolov5s.wts序列化模型复制到这个exe文件下。

输入：使用的是s模型，最后则输入s，若为m模型，最后一个参数则需要改成m

./yolov5.exe -s yolov5s.wts yolov5s.engine s

 该过程是将yolov5s.wts转化成yolov5s.engine文件的过程，这个过程比较长【差不多10~20分钟】，耐心等待。成功以后如下显示


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       ./yolov5.exe -s yolov5s.wts yolov5s.engine s
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Loading weights: yolov5s.wts
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Building engine, please 
       
       wait 
       
       for a 
       
       while...
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:39:23] [W] [TRT] TensorRT was linked against cuBLAS/cuBLASLt 10.2.2 but loaded cuBLAS/cuBLASLt 10.2.1
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:39:24] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  6. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:48:34] [W] [TRT] TensorRT was linked against cuBLAS/cuBLASLt 10.2.2 but loaded cuBLAS/cuBLASLt 10.2.1
      
      
    
     
     
  7. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:48:34] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  8. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       Build engine successfully!

 同时在exe文件夹下生成了engine文件

预测 

图像预测：

 将E:\YOLOv5TensorRT\ 下的整个pictures文件复制到exe程序文件下，同时将coco_classes.txt文件也放进来

然后打开cmd运行如下命令进行预测：

./yolov5.exe -d yolov5s.engine -img ./pictures

出现如下：


   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       E:\Yolov5_Tensorrt_Win10\build\Release>yolov5 -d yolov5s.engine ./pictures
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:54:45] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       [05/27/2022-16:54:45] [W] [TRT] TensorRT was linked against cuDNN 8.2.1 but loaded cuDNN 8.2.0
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       7ms
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       7ms

此时会在当前目录下生成预测结果图：


 视频预测

./yolov5.exe -d yolov5s.engine -video 0

 如果需要替换自己的类，记得在代码中把类yololayer.h的数量改一下，如果放自己的txt,在yolov5.cpp中的主函数里将classes_path换成自己的路径即可。

完成上述即完成了整个过程。 

权重： 

链接：https://pan.baidu.com/s/15CXUvJSyWhC7ud96JIQ-8A 
提取码：yypn

代码：GitHub - YINYIPENG-EN/YOLOv5TensorRTContribute to YINYIPENG-EN/YOLOv5TensorRT development by creating an account on GitHub.https://github.com/YINYIPENG-EN/YOLOv5TensorRT.git

转载自：https://blog.csdn.net/z240626191s/article/details/125003898?spm=1001.2014.3001.5502
算法部署-使用TensorRT部署YOLOv8-obb旋转目标检测算法-附量化+模型转换+推理代码+效果展示-优质项目实战
10-20
本优质项目实战将指导读者完成使用TensorRT部署YOLOv8-obb旋转目标检测算法的整个过程。项目内容不仅仅包括模型的量化和转换，还提供了推理代码和效果展示，这些内容对于理解整个算法部署流程具有极高的实用价值。...
使用C++部署yolov11目标检测的tensorrt模型支持图片视频推理演示源码+项目说明
10-02
本项目旨在将YOLOv11模型部署到TensorRT中，并提供了一个完整的C++源码实现，支持对图片和视频进行目标检测的推理演示。在开发环境中，使用了Visual Studio 2019作为集成开发环境，CMake作为项目构建工具。为了确保...
加油站ai系统视频监测 yolov5
燧机科技的博客
02-25 1082
加油站ai系统视频监测通过yolov5网络模型深度学习边缘计算技术，加油站ai系统视频监测对现场卸油过程中人员违规离岗、现场灭火器没有按要求正确摆放、以及卸油前需要遵守静电释放15分钟、打电话、明火烟雾情况、抽烟行为进行自动识别。YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归
c++入门学习——使用C++做一个yolov5视频检测
yuanzhoulvpi的博客
03-20 1万+
背景介绍 自己之前就想学习c++，也都把《c++ primer plus（第六版）》看了3遍左右，每一遍都把代码抄写一次。目前基本的也都大概了解，起码知道怎么写的。这肯定是皮毛。 后来还买了《cuda c编程权威指南》、《数据结构、算法与应用c++语言描述》、《c++程序设计语言（第1～3部分）》、《算法导论》。这些书，都没怎么看完。也就是把《数据结构、算法与应用c++语言描述》的前7章对着书把代码抄写了一遍，大概理解了数据是怎么处理的，如何将算法转换成代码的。 但是我看不下去了，对于初学者来说，实在是太枯
cap4：YoloV5的TensorRT部署指南（python版）
最新发布
xu.hyj
02-14 1212
在前几章中，我们深入探讨了如何将分类模型ResNet部署到TensorRT上，相信大家对TensorRT模型部署已经有了初步的了解。本文将带你进一步探索如何使用TensorRT部署YOLOv5检测模型。 与分类模型相比，检测模型的部署流程虽然大体相似，但在后处理环节却更为复杂。这包括边界框（bbox）过滤、非极大值抑制（NMS）处理以及坐标转换等步骤。不过，如果你已经具备相关经验，这些步骤对你来说将会是小菜一碟。接下来，我们将一步步解析这些关键环节，帮助你轻松掌握YOLOv5的TensorRT部署技巧。
【Yolov5-Deepsort pytorch】快速复现+ 检测自己的视频 (Linux 版本)
CSPhD-winston的博客
11-17 8087
前言 我大概花了1小时就完成了第一次接触到检测自己输入的视频，并不是说自己的优秀，而是yolo的特点就是，易上手，难修改。 一.简介 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示： 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放； 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构； Neck网络：目标检测网络在Ba
基于YOLOv5的视频流检测
热门推荐
weixin_43217958的博客
09-09 1万+
在YOLOv5的基础之上做fine tune，用适合视频流大小尺寸的图像训练10个epoc 1.用 cv2自带的VideoCapture读取摄像头信息 import cv2 cap=cv2.VideoCapture(0) if not cap.isOpened(): print("无法打开摄像头") exit() while True: ret,frame=cap.read() if not ret: print("捕获失败！") brea
yolov5_reid【附代码，行人重识别，可做跨视频人员检测】
z240626191s的博客
02-25 1万+
该项目利用yolov5+reid实现的行人重识别功能，可做跨视频人员检测。应用场景：可根据行人的穿着、体貌等特征在视频中进行检索，可以把这个人在各个不同摄像头出现时检测出来。可应用于犯罪嫌疑人检索、寻找走失儿童等。支持功能：1.reid训练2.人员标注3.人员查找(可做。
TensorRT部署yoloV5源码
12-23
这篇关于“TensorRT部署yoloV5源码”的资源，旨在指导用户如何将训练好的YOLOv5模型整合到TensorRT中，以实现更快的预测速度。在CSDN博客文章（https://blog.csdn.net/Z960515/article/details/121975944）中，作者...
部署yolov8的tensorrt模型支持检测分割姿态估计的C++源码+部署步骤.zip
05-21
在本资源中，我们主要关注如何使用C++和TensorRT部署一个综合性的计算机视觉系统，该系统能够执行Yolov8模型的任务，包括目标检测、图像分割以及姿态估计。TensorRT是一个高性能的深度学习推理（Inference）优化器和...
TensorRT-使用TensorRT部署YOLOv9目标检测算法-优质算法部署项目实战.zip
10-21
TensorRT为YOLOv9模型的部署提供了一个高效、便捷的平台，通过使用TensorRT部署YOLOv9目标检测算法，不仅可以加快模型的响应速度，还能够提高模型在边缘设备上的运行效率，这对于推动目标检测技术在实际应用中的落地...
Yolov5 检测rtsp视频流，推流断时自动重新检测
qq_43443001的博客
08-16 8124
原官方程序中重连代码，cap.open(stream)只连接一次，若失败便不再连接，改为一直连接，因为调用是多线程，所以不用担心。若更改之后仍不行，将stream改为推流的url地址，两个print一下是一样的，但是不知道为什么在连接上有差别。detesets下的LoadStreams，中，update方法，改为。...
Yolov5对本地视频进行推理时，实现跳帧检测，提高推理效率
王探长的博客
08-21 1万+
使用Yolov5的detect.py对本地视频进行推理时，可以考虑设置跳帧检测。
TensorRT部署YOLOv5(05)—图像推理
abcxy2161的博客
05-07 1418
在上一篇文章中，对构建TensorRT引擎进行了介绍，本文将详细介绍如何使用Python API通过TensorRT引擎加速，实现单幅图像的推断
视频监控边缘算法分析 基于yolov5
燧机科技的博客
07-11 1067
视频监控边缘算法分析基于yolov5深度学习架构网络，对接入进来的图片或者视频流进行实时分析检测，分析其中的行为以及物体状态信息。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。
实现视频监控场景下的抽烟目标检测：改进 YOLOv5 的关键方法与代码实现
dota的专栏
07-18 952
通过引入头部关注机制，我们让模型更专注于人体头部区域，使其对抽烟行为的感知能力得到了显著提升，有效地降低了误检率，提高了目标检测的准确性。在这个丰富的1600张标注抽烟数据集上，我们的改进版 YOLOv5展现出了强大的学习和泛化能力，充分证明了其在抽烟检测任务中的优越性。在抽烟的人检测任务中，通过改进注意力机制，让模型更专注于人体头部区域，可以增强模型对抽烟行为的检测能力，因为头部通常是进行抽烟动作的重要区域。经过精心的训练和优化，改进后的 YOLOv5 在抽烟检测任务中取得了惊人的成绩。
TX2+调用板载摄像头实时目标检测（yolov5)+tensorrt
weixin_45371818的博客
07-21 6414
前言 首先感谢無證騎士博主的大力支持，本文的也是根据他的文章魔改。 因项目需求，在TX2上部署yolov5算法实时检测目标。之前在ubantu上做过yolov5的图片检测，实时检测与之类似，但也是耗费一周的时间，原谅我是个小白。 一、环境安装 附上無證騎士博主的博客地址： https://blog.csdn.net/hahasl555/article/details/116500763 二、opencv的安装 本人使用的opencv并不是按照上述博客安装的，而是使用的是opencv=4.2.0
Jetson Nano 2G 版 yolov5s部署自己的数据集
weixin_38966589的博客
05-12 618
一.安装环境 (1)首先你要找到镜像类似如下图这种： (2)把64G SD卡插入到读卡器中然后插到电脑中，此时打开我的电脑你会发现，新插入的这张内存卡，完全没有显示，你要打开我的电脑 管理 磁盘管理 然后就会看到内存为64G的内存卡，然后右键删除卷，再右键 选择新建卷依次点击下一步，完成上述步骤之后你就会在你的电脑上显示出你的内存卡 (3)安装格式化软件如下图所示 点击之后自动选入你要格式化的磁盘，然后点击Format (4)安装软件balenaEtcher-Setup-1.5....
TensorRT优化yolov5：深度学习模型部署实践
此博客详细介绍了TensorRT部署YOLOv5的整个流程，包括软件环境搭建、模型转换、推理引擎构建以及最终的性能评估。对于那些希望将YOLOv5部署到生产环境中的开发者来说，是一个非常有价值的参考资料。 文件列表中的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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