yolov8 tensorRT 的 C++ 部署

Yolov8 tensorRT 的 C++ 部署

前几篇写了 yolov8 相关的 瑞芯微rknn、地平线Horizon 的仿真和C++相关的部署，以及tensorRT的python版本部署，本篇说说tensorRT 的 C++ 部署，所使用的模型是基于之前导出的onnx模型。

【完整代码、模型、测试图片】

TensorRT版本：TensorRT-7.1.3.4

1 导出 onnx 模型

导出适配本实例的onnx模型参考【yolov8 导出onnx-2023年11月15日版本】。

2 编译

编译前修改 CMakeLists.txt 对应的TensorRT版本

cd yolov8_tensorRT_Cplusplus
mkdir build
cd build
cmake ..
make

3 运行

运行时如果.trt模型存在则直接加载，若不存会自动先将onnx转换成 trt 模型，并保存在给定的路径，然后运行推理

# 运行时如果.trt模型存在则直接加载，若不存会自动先将onnx转换成 trt 模型，并保存在给定的路径，然后运行推理。
cd build
./yolo_trt

4 测试效果

onnx 测试效果

tensorRT 测试效果

tensorRT 时耗

5 替换模型说明

1）按照本实例给的导出onnx方式导出对应的onnx；导出的onnx模型建议simplify后再转trt模型。

2）注意修改后处理相关 postprocess.hpp 中相关的参数（类别、输入分辨率等）。

修改相关的路径

    std::string OnnxFile = "/zhangqian/workspaces1/TensorRT/yolov8_trt_Cplusplus/models/yolov8n_ZQ.onnx";
    std::string SaveTrtFilePath = "/zhangqian/workspaces1/TensorRT/yolov8_trt_Cplusplus/models/yolov8n_ZQ.trt";
    cv::Mat SrcImage = cv::imread("/zhangqian/workspaces1/TensorRT/yolov8_trt_Cplusplus/images/test.jpg");

    int img_width = SrcImage.cols;
    int img_height = SrcImage.rows;

    CNN YOLO(OnnxFile, SaveTrtFilePath, 1, 3, 640, 640, 7);  // 1, 3, 640, 640, 7 前四个为模型输入的NCWH, 7为模型输出叶子节点的个数+1，（本示例中的onnx模型输出有6个叶子节点，再+1=7）
    YOLO.ModelInit();
    YOLO.Inference(SrcImage);

    for (int i = 0; i < YOLO.DetectiontRects_.size(); i += 6)
    {
        int classId = int(YOLO.DetectiontRects_[i + 0]);
        float conf = YOLO.DetectiontRects_[i + 1];
        int xmin = int(YOLO.DetectiontRects_[i + 2] * float(img_width) + 0.5);
        int ymin = int(YOLO.DetectiontRects_[i + 3] * float(img_height) + 0.5);
        int xmax = int(YOLO.DetectiontRects_[i + 4] * float(img_width) + 0.5);
        int ymax = int(YOLO.DetectiontRects_[i + 5] * float(img_height) + 0.5);

        char text1[256];
        sprintf(text1, "%d:%.2f", classId, conf);
        rectangle(SrcImage, cv::Point(xmin, ymin), cv::Point(xmax, ymax), cv::Scalar(255, 0, 0), 2);
        putText(SrcImage, text1, cv::Point(xmin, ymin + 15), cv::FONT_HERSHEY_SIMPLEX, 0.7, cv::Scalar(0, 0, 255), 2);
    }

    imwrite("/zhangqian/workspaces1/TensorRT/yolov8_trt_Cplusplus/images/result.jpg", SrcImage);

    printf("== obj: %d \n", int(float(YOLO.DetectiontRects_.size()) / 6.0));

【特别说明】：本示例只是用来测试流程，模型效果并不保证，且代码整理的布局合理性没有过多的考虑。

6 相关链接

yolov8 瑞芯微 RKNN 的 C++部署

yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署-2023年11月15日版本

yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署