热搜词

yolov8 tensorrt模型加速部署【实战】

技术分享 2年前 (2023-01-26) 0 999+
关注

ubuntu18.04 yolov8 tensorrt模型加速部署【实战】

TensorRT-Alpha基于tensorrt+cuda c++实现模型end2end的gpu加速，支持win10、linux，在2023年已经更新模型：YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pphumanseg,u2net,EfficientDet。
Windows10教程正在制作，可以关注仓库：https://github.com/FeiYull/TensorRT-Alpha

一、加速结果展示

1.1 性能速览

🚀快速看看yolov8n 在移动端RTX2070m(8G)的新能表现：

model video resolution model input size GPU Memory-Usage GPU-Util
yolov8n 1920x1080 8x3x640x640 1093MiB/7982MiB 14%

下图是yolov8n的运行时间开销，单位是ms：
yolov8 tensorrt模型加速部署【实战】

更多TensorRT-Alpha测试录像在B站视频：
B站：YOLOv8n
B站：YOLOv8s

yolov8 tensorrt模型加速部署【实战】

1.2精度对齐

下面是左边是python框架推理结果，右边是TensorRT-Alpha推理结果。
yolov8 tensorrt模型加速部署【实战】

yolov8n : Offical( left ) vs Ours( right )

yolov8 tensorrt模型加速部署【实战】

yolov7-tiny : Offical( left ) vs Ours( right )

yolov8 tensorrt模型加速部署【实战】

yolov6s : Offical( left ) vs Ours( right )

yolov8 tensorrt模型加速部署【实战】

yolov5s : Offical( left ) vs Ours( right )

YOLOv4 YOLOv3 YOLOR YOLOX略。

二、Ubuntu18.04环境配置

如果您对tensorrt不是很熟悉，请务必保持下面库版本一致。

2.1 安装工具链和opencv

sudo apt-get update  sudo apt-get install build-essential  sudo apt-get install git sudo apt-get install gdb sudo apt-get install cmake 
sudo apt-get install libopencv-dev   # pkg-config --modversion opencv

2. 安装Nvidia相关库

注：Nvidia相关网站需要注册账号。

2.1 安装Nvidia显卡驱动

ubuntu-drivers devices sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-470-server # for ubuntu18.04 nvidia-smi

2.2 安装 cuda11.3

  • 进入链接: https://developer.nvidia.com/cuda-toolkit-archive
  • 选择：CUDA Toolkit 11.3.0(April 2021)
  • 选择：[Linux] -> [x86_64] -> [Ubuntu] -> [18.04] -> [runfile(local)]

    在网页你能看到下面安装命令，我这里已经拷贝下来：

wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run sudo sh cuda_11.3.0_465.19.01_linux.run

cuda的安装过程中，需要你在bash窗口手动作一些选择，这里选择如下：

  • select：[continue] -> [accept] -> 接着按下回车键取消Driver和465.19.01这个选项，如下图(it is important!) -> [Install]

    yolov8 tensorrt模型加速部署【实战】
    bash窗口提示如下表示安装完成

#=========== #= Summary = #===========  #Driver:   Not Selected #Toolkit:  Installed in /usr/local/cuda-11.3/ #......

把cuda添加到环境变量：

vim ~/.bashrc

把下面拷贝到 .bashrc里面

# cuda v11.3 export PATH=/usr/local/cuda-11.3/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda-11.3

刷新环境变量和验证

source ~/.bashrc nvcc -V

bash窗口打印如下信息表示cuda11.3安装正常

nvcc: NVIDIA (R) Cuda compiler driver<br> Copyright (c) 2005-2021 NVIDIA Corporation<br> Built on Sun_Mar_21_19:15:46_PDT_2021<br> Cuda compilation tools, release 11.3, V11.3.58<br> Build cuda_11.3.r11.3/compiler.29745058_0<br>

2.3 安装 cudnn8.2

  • 进入网站：https://developer.nvidia.com/rdp/cudnn-archive
  • 选择： Download cuDNN v8.2.0 (April 23rd, 2021), for CUDA 11.x
  • 选择： cuDNN Library for Linux (x86_64)
  • 你将会下载这个压缩包: "cudnn-11.3-linux-x64-v8.2.0.53.tgz"
# 解压 tar -zxvf cudnn-11.3-linux-x64-v8.2.0.53.tgz

将cudnn的头文件和lib拷贝到cuda11.3的安装目录下：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

2.4 下载 tensorrt8.4.2.4

本教程中，tensorrt只需要下载、解压即可，不需要安装。

  • 进入网站： https://developer.nvidia.cn/nvidia-tensorrt-8x-download
  • 把这个打勾： I Agree To the Terms of the NVIDIA TensorRT License Agreement
  • 选择: TensorRT 8.4 GA Update 1
  • 选择: TensorRT 8.4 GA Update 1 for Linux x86_64 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 TAR Package
  • 你将会下载这个压缩包: "TensorRT-8.4.2.4.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz"
# 解压 tar -zxvf TensorRT-8.4.2.4.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz # 快速验证一下tensorrt+cuda+cudnn是否安装正常 cd TensorRT-8.4.2.4/samples/sampleMNIST make cd ../../bin/

导出tensorrt环境变量(it is important!)，注：将LD_LIBRARY_PATH:后面的路径换成你自己的！后续编译onnx模型的时候也需要执行下面第一行命令

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/xxx/temp/TensorRT-8.4.2.4/lib ./sample_mnist

bash窗口打印类似如下图的手写数字识别表明cuda+cudnn+tensorrt安装正常
yolov8 tensorrt模型加速部署【实战】

三、YOLOv8模型部署

3.1 下载仓库TensorRT-Alpha

git clone https://github.com/FeiYull/tensorrt-alpha

3.2 获取onnx文件

直接在网盘下载 weiyun or google driver 或者使用如下命令导出onnx:

# 🔥 yolov8 官方仓库: https://github.com/ultralytics/ultralytics # 🔥 yolov8 官方教程: https://docs.ultralytics.com/quickstart/ # 🚀TensorRT-Alpha will be updated synchronously as soon as possible!  # 安装 yolov8 conda create -n yolov8 python==3.8 -y conda activate yolov8 pip install ultralytics==8.0.5 pip install onnx  # 下载官方权重(".pt" file) https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x6.pt

导出 onnx:

# 640 yolo mode=export model=yolov8n.pt format=onnx dynamic=True    #simplify=True yolo mode=export model=yolov8s.pt format=onnx dynamic=True    #simplify=True yolo mode=export model=yolov8m.pt format=onnx dynamic=True    #simplify=True yolo mode=export model=yolov8l.pt format=onnx dynamic=True    #simplify=True yolo mode=export model=yolov8x.pt format=onnx dynamic=True    #simplify=True # 1280 yolo mode=export model=yolov8x6.pt format=onnx dynamic=True   #simplify=True

3.3 编译 onnx

# 把你的onnx文件放到这个路径:tensorrt-alpha/data/yolov8 cd tensorrt-alpha/data/yolov8 # 请把LD_LIBRARY_PATH:换成您自己的路径。 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/TensorRT-8.4.2.4/lib # 640 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8n.onnx  --saveEngine=yolov8n.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8s.onnx  --saveEngine=yolov8s.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8m.onnx  --saveEngine=yolov8m.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8l.onnx  --saveEngine=yolov8l.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8x.onnx  --saveEngine=yolov8x.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640 # 1280 ../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov8x6.onnx  --saveEngine=yolov8x6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280

你将会的到例如：yolov8n.trt、yolov8s.trt、yolov8m.trt等文件。

3.4 编译运行

git clone https://github.com/FeiYull/tensorrt-alpha cd tensorrt-alpha/yolov8 mkdir build cd build cmake .. make -j10 # 注: 效果图默认保存在路径 tensorrt-alpha/yolov8/build  # 下面参数解释 # --show 表示可视化结果 # --savePath 表示保存，默认保存在build目录 # --savePath=../ 保存在上一级目录  ## 640 # 推理图片 ./app_yolov8  --model=../../data/yolov8/yolov8n.trt --size=640 --batch_size=1  --img=../../data/6406407.jpg   --show --savePath ./app_yolov8  --model=../../data/yolov8/yolov8n.trt --size=640 --batch_size=8  --video=../../data/people.mp4  --show --savePath  # 推理视频 ./app_yolov8  --model=../../data/yolov8/yolov8n.trt     --size=640 --batch_size=8  --video=../../data/people.mp4  --show --savePath=../  # 在线推理相机视频 ./app_yolov8  --model=../../data/yolov8/yolov8n.trt     --size=640 --batch_size=2  --cam_id=0  --show  ## 1280 # infer camera ./app_yolov8  --model=../../data/yolov8/yolov8x6.trt     --size=1280 --batch_size=2  --cam_id=0  --show

四、参考

https://github.com/FeiYull/TensorRT-Alpha

发表评论

相关文章

WiFi基础(三)：802.11ac/ax/be 与 WiFi4、WiFi5、WiFi6、WiFi7
WiFi基础(三)：802.11ac/ax/be 与 WiFi4、WiFi5、WiFi6、WiFi7
军工厂电气工程师到知名互联网公司程序员，我吃饭的家伙有哪些
军工厂电气工程师到知名互联网公司程序员，我吃饭的家伙有哪些
用 SQL 写的俄罗斯方块游戏「GitHub 热点速览」
用 SQL 写的俄罗斯方块游戏「GitHub 热点速览」
喜欢干净简洁音乐播放器的朋友看过来
喜欢干净简洁音乐播放器的朋友看过来
.NET 9 中 LINQ 新增的功能
.NET 9 中 LINQ 新增的功能
【LLM训练系列】从零开始训练大模型之Phi2-mini-Chinese项目解读
【LLM训练系列】从零开始训练大模型之Phi2-mini-Chinese项目解读
当前内容话题
上一页： Pytorch：单卡多进程并行训练
  • 0
  • 微