pytorch 43 基于面向对象思想使用4行代码实现yolov8分类模型、目标检测模型、实例分割的TensorRT c++部署_yolov8实例分割tensorrt部署

在win10，TensorRT 8.6，3060Ti 12g GPU，CUDA 12.1、cmake 3.27环境下实现yolov8s-det、yolov8s-seg、yolov8s-cls的部署。以面向对象的方式实现c++ TensorRT 部署，使用yolov8s-det或yolov8s-seg推理图片并绘图展示仅需3行代码即可，整个forward时间仅需4ms。
在640x640的输入下，YoloDetModel infer time:4ms nms:4ms，YoloDetModel infer time:6ms nms:4ms mask:4ms。相比于官网所发布的yolov8s-det run on A100 TensorRT，1.20ms，存在一定差距，毕竟3060Ti比A100 差很多。其中，nms耗时4ms严重拖累了推理时间，将nms与mask计算放入到模型中可以减少推理时间，具体可以参考：https://hpg123.blog.csdn.net/article/details/131585808。
本博文从0开始，分享了c++部署的全流程，并包含onnx模型以及转换好trt模型。

1、构建项目

本博文基于cmake+vs2019+tensorrt+cuda+opencv实现部署代码
其中cmake+vs2019+cuda是需要安装相应的软件
tensorrt+cudnn+opencv是软件运行依赖包，解压到特定目录，配置好环境变量即可

1.1 编写cmakelist

cmakelist主要是设置项目中的include目录（include_directories&