YOLO (You Only Look Once) is a real-time object detection system that is widely used in various applications such as self-driving cars, surveillance systems, and facial recognition software. YOLO V8 is the latest version of YOLO, released in 2022.

Here are some key features of YOLO V8:

Improved accuracy: YOLO V8 has improved object detection accuracy compared to its predecessors, especially for objects with complex shapes and sizes.
Real-time performance: YOLO V8 is designed for real-time object detection and can process images and videos at high frame rates.
Multi-scale features: YOLO V8 uses multi-scale features to detect objects of different sizes and shapes.
Improved bounding box regression: YOLO V8 has improved bounding box regression, which helps to more accurately detect the location and size of objects.
New algorithms: YOLO V8 includes several new algorithms, such as spatial pyramid pooling and a new loss function, that improve object detection accuracy and speed.
Support for multiple platforms: YOLO V8 can be run on a variety of platforms, including Windows, Linux, and Android.

If you're interested in using YOLO V8 for a specific project, you can find more information and resources on the YOLO website, including documentation, tutorials, and sample code.

TensorRT

TensorRT是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速和高效的部署推理。

TensorRT 是一个C++库，从 TensorRT 3 开始提供C++ API和Python API，主要用来针对 NVIDIA GPU进行高性能推理（Inference）加速。

一、TensorRT

TensorRT（TensorRT™）是英伟达（NVIDIA）开发的一个高性能推理优化器，旨在加速深度学习模型的推理过程。它针对英伟达GPU进行了优化，利用深度神经网络（DNN）推理的并行计算能力，提供了快速且高效的推理解决方案。下面我将详细介绍TensorRT的原理、架构、功能和性能。

TensorRT(1)-介绍-使用-安装| arleyzhang

（TensorRT(1)-介绍-使用-安装 | arleyzhang）

1.1 原理

TensorRT的核心原理是通过优化和精简深度学习模型，以提高推理的速度和效率。它使用了三个关键技术：

网络层融合（Layer Fusion）：TensorRT通过将多个网络层融合成一个更大的层，减少了内存访问和计算的开销。这种融合可以消除层之间的中间结果，从而减少了内存传输和存储需求，提高了推理的速度。
精确度校准（Precision Calibration）：TensorRT可以通过在模型推理之前对模型进行精确度校准，将浮点数参数转换为定点数参数，从而降低了内存带宽和计算的需求。这种定点计算可以在保持模型精度的同时，提高推理的速度。
动态张量内存（Dynamic Tensor Memory）：TensorRT根据模型的需求动态分配内存，避免了不必要的内存分配和拷贝操作。这种动态内存管理减少了内存开销，提高了推理的效率。

1.2 架构

TensorRT的架构可以分为四个主要组件：

解析器（Parser）：解析器负责将训练好的深度学习模型从常见的模型格式（如Caffe、TensorFlow、ONNX等）加载到TensorRT中进行优化和推理。
优化器（Optimizer）：优化器是TensorRT的核心组件，它通过网络层融合、精确度校准和动态张量内存等技术对深度学习模型进行优化。优化器会分析模型的结构，并根据硬件特性和性能要求对模型进行优化，以提高推理的速度和效率。
推理引擎（Inference Engine）：推理引擎是TensorRT的推理核心，它将优化后的模型转换为可在GPU上执行的计算图。推理引擎使用GPU的并行计算能力对模型进行高效的推理，实现快速的预测。
插件（Plugin）：插件是TensorRT的可扩展组件，它允许用户自定义和添加额外的层、操作或功能。用户可以根据自己的需求编写插件，并将其集成到TensorRT中，以扩展其功能。

1.3 功能

TensorRT提供了丰富的功能，用于优化和加速深度学习模型的推理过程，包括：

网络优化：TensorRT可以自动优化和精简深度学习模型，减少模型的计算和存储需求，提高推理的速度和效率。
精确度控制：TensorRT支持定点计算和混合精度计算，可以在保持模型精度的同时提高推理的速度。
动态形状支持：TensorRT可以处理具有动态形状（Dynamic Shapes）的模型，适用于一些需要在运行时根据输入数据进行形状变化的场景。

1.4 性能

TensorRT在推理性能方面表现出色，具有以下特点：

高速推理：TensorRT通过使用GPU的并行计算能力和优化的推理引擎，实现了快速的推理速度。相比于传统的深度学习框架，TensorRT可以显著提高模型的推理性能。
低延迟：TensorRT通过优化和精简模型的计算图，减少了内存访问和计算的开销，从而降低了推理的延迟。这对于实时应用和对延迟敏感的任务非常重要。
高吞吐量：TensorRT可以充分利用GPU的并行计算能力，实现高吞吐量的推理。这意味着可以同时处理多个输入数据，并获得更高的推理效率。

总而言之，TensorRT是一个针对深度学习模型推理优化的高性能引擎。它通过网络层融合、精确度校准和动态张量内存等技术，提供了快速、高效的推理解决方案。TensorRT在加速推理速度、降低延迟和提高吞吐量方面具有显著优势，特别适用于对性能要求较高的应用场景。

1.5 GPU并行计算

TensorRT的推理引擎充分利用了GPU的并行计算能力，以实现高效的推理。下面是TensorRT推理引擎如何利用GPU并行计算能力的几个关键方面：

并行计算图： TensorRT将优化后的模型转换为适用于GPU并行计算的计算图。在这个计算图中，不同的操作可以并行执行，以最大程度地利用GPU的多个计算单元。这样可以实现高效的并行推理，提高推理速度。
流水线并行： TensorRT推理引擎利用计算和数据传输之间的时间差异，实现流水线并行。它将不同的计算任务划分为多个阶段，并同时执行这些阶段。这种流水线并行可以减少计算和数据传输之间的等待时间，提高GPU的利用率，从而加速推理过程。
批处理并行： TensorRT推理引擎支持批处理并行，即同时处理多个输入数据。在批处理中，多个输入数据可以并行地在GPU上进行计算，从而实现更高的吞吐量。这种并行计算可以大大提高推理效率，特别是对于具有大量输入数据的场景。
权重共享：在某些情况下，多个模型层可以共享相同的权重。TensorRT推理引擎利用这一特性，通过共享权重来减少计算和内存访问的开销。共享权重可以减少冗余计算，提高推理速度。
Tensor核心计算： TensorRT推理引擎使用专门的Tensor核心计算单元，在GPU上执行高效的张量操作。这些Tensor核心计算单元可以同时处理多个数据元素，实现高度并行的计算，从而提高推理速度。

通过这些并行计算技术，TensorRT推理引擎能够充分发挥GPU的并行计算能力，实现高效的推理。并行计算图、流水线并行、批处理并行、权重共享以及Tensor核心计算等方法的结合，可以显著提高模型的推理性能，并满足对于实时性、低延迟和高吞吐量的要求。

二、安装&配置

1.下载

TensorRT SDK | NVIDIA DeveloperHelps developers to optimize inference, reduce latency, and deliver high throughput for inference applications.https://developer.nvidia.com/tensorrt

最新版本为tensorRT8 GA，根据系统下载适合的tensorRT版本:

https://developer.nvidia.com/nvidia-tensorrt-download

2.安装

1、解压缩

tar xzvf TensorRT-X

2、安装TensorRT wheel 文件，根据python版本选择，这里是python3.7


cd TensorRT-X/python
pip install tensorrt-X.whl

3、安装graphsurgeon wheel文件


cd TensorRT-X/python
pip install graphsurgeon-X.whl

4、配置环境变量


export PATH=$PATH:/usr/local/cuda-11.1/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.1/lib64
export LIBRARY_PATH=$LIBRARY_PATH:/usr/local/cuda-11.1/lib64
source /etc/profile

5、有时需要设置


export LD_LIBRARY_PATH=/home/XX/TensorRT-X/lib:$LD_LIBRARY_PATH
source ~/.bashrc

3. 测试导出YOLO V8

安装依赖

pip install onnx==1.12.0
pip install onnx-simplifier==0.4.0
pip install coloredlogs==15.0.1
pip install humanfriendly==10.0
pip install onnxruntime-gpu==1.12.0
pip isntall onnxsim-no-ort==0.4.0
pip install opencv-python==4.5.2.52(注意cv2一定不能用4.6.0)
pip install protobuf==3.19.4
pip install setuptools==63.2.0

导出测试：


yolo export model=yolov8n.pt format=engine device=0  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

----

注意：AttributeError:module ‘distutils‘ has no attribute ‘version错误解决方法：

AttributeError:module ‘distutils‘ has no attribute ‘version_distutils version-CSDN博客

4. 部署测试

模型1：yolov8l.pt

TRT模型：yolov8l.engine


import cv2
from ultralytics import YOLO
 
# Load the YOLOv8 model
model = YOLO('yolov8l.engine')
 
# Open the video file
video_path = "path/to/your/video/file.mp4"
 
cap = cv2.VideoCapture(0)
 
# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()
 
    if success:
        # Run YOLOv8 tracking on the frame, persisting tracks between frames
        results = model.track(frame, persist=True)
 
        # Visualize the results on the frame
        annotated_frame = results[0].plot()
 
        # Display the annotated frame
        cv2.imshow("YOLOv8 Tracking", annotated_frame)
 
        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break
 
# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

对比： watch -n 1 nvidia-smi

结果

模型加载速度和检测效果有较大程度提升，并且帧率和占用也维持在合理水平，TensorRT模型优化和部署性能优异。

5. Tracking 测试

使用yolov8m-set.pt ->>> 'yolov8m-seg.engine'


import cv2
from ultralytics import YOLO
 
# Load the YOLOv8 model
model = YOLO('yolov8m-seg.engine')
 
# Open the video file
video_path = "path/to/your/video/file.mp4"
 
cap = cv2.VideoCapture(0)
 
# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()
 
    if success:
        # Run YOLOv8 tracking on the frame, persisting tracks between frames
        results = model.track(frame, persist=True)
 
        # Visualize the results on the frame
        annotated_frame = results[0].plot()
 
        # Display the annotated frame
        cv2.imshow("YOLOv8 Tracking", annotated_frame)
 
        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break
 
# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

识别与分割输出结果：

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Monodyee/article/detail/77900

目标检测与跟踪 （3）- TensorRT&YOLO V8性能优化与部署测试_tensorrtx 转换 yolov8

系列文章目录

前言

YOLO v8