yolov5模型部署:Triton服务器+TensorRT模型加速（基于Jetson平台）_output { name: "prob" data_type: type_fp32 dims: 6

系列文章目录

yolov5 win10 CPU与GPU环境搭建,亲测有效！
yolov5训练自己的数据集，详细教程！
yolov5转tensorrt模型
Jetson调用triton inference server详细笔记
yolov5模型部署:Triton服务器+TensorRT模型加速（基于Jetson平台）

---

---

前言

在完成yolov5环境搭建，训练自己的模型，以及将yolov5模型转换成Tensorrt模型后，下面就要对得到的tensorrt模型进行部署，本文采用的Triton服务器的部署方式。
本文是在完成yolov5转tensorrt模型、Jetson安装完成triton inference server的前提下进行的，故所用的模型文件也是以上文章中产生的。对这些步骤不熟悉的同学可以参考系列文章。

一、建立triton模型库

yolov5转tensorrt模型生成了yolov5s.engin与libmyplugins.so文件。

1.1config文件编写

config.pbtxt按如下例子编写：

platform: "tensorrt_plan"
max_batch_size : 1
input [
  {
    name: "data"
    data_type: TYPE_FP32
    dims: [ 3, 640, 640 ]
  }
]
output [
  {
    name: "prob"
    data_type: TYPE_FP32
    dims: [ 6001, 1, 1]
  }
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

其中input与output名称与维度在生成engine文件过程中就已确定。

1.2文件配置

将之前生成的yolov5s.engin改名为model.plan。另外还有生成的libmyplugins.so文件，按照下面tree放置：

二、启动triton服务

cd 到tritonserver目录下,运行：

LD_PRELOAD=/media/nvidia/ubuntu_fs/plugins/yolov5s/libmyplugins.so ./tritonserver --model-repository=/media/nvidia/ubuntu_fs/model_path
1

这里需要把libmyplugins.so与model_path改为自己的路径

可以看到yolov5s模型已经启动成功了（这里我的model_path包含多个模型，如果同学们按照教程来只会出现一个yolov5s模型）
注意：这里必须要加载libmyplugins.so，否则模型无法正常启动。

---

三、启动客户端

这里需要自己编写前处理与后处理代码，下面给出样例代码：
https://github.com/JulyLi2019/tensorrt-yolov5（欢迎star!!!）
下面贴出client端关键部分代码：

    inputs = []
    outputs = []
    inputs.append(grpcclient.InferInput('data', [1, 3, 640, 640], "FP32"))
    outputs.append(grpcclient.InferRequestedOutput('prob'))

    input_image_buffer = preprocess(frame, FLAGS.mask_y)
    input_image_buffer = np.expand_dims(input_image_buffer, axis=0)
    inputs[0].set_data_from_numpy(input_image_buffer)

    results = triton_client.infer(model_name=FLAGS.model,
                                  inputs=inputs,
                                  outputs=outputs,
                                  client_timeout=None)

    result = results.as_numpy('prob')
    detected_objects = postprocess(result, frame.shape[1], frame.shape[0], FLAGS.confidence, FLAGS.nms)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

测试图片

测试视频

总结

Triton环境搭建与模型成功部署，整个过程相当痛苦，前前后后搞了有两周，特别是加载自己的模型时，遇到了很多问题，也询问一些CSDN的博主，这里特别感谢小屋*大神，不仅给了回答了我的很多问题，还给我提供了测试代码，虽然你不一定会看到这篇博客，但是还要谢谢你！！！

参考文档：
https://blog.csdn.net/weixin_48994268/article/details/118859830
http://doge.ac.cn/?p=2856

如果阅读本文对你有用，欢迎一键三连呀！！！
2021年8月24日15:55:18