B站教学视频
https://www.bilibili.com/video/BV1Pa4y1N7HS
Github仓库地址
https://github.com/Monday-Leo/YOLOv8_Tensorrt
Introduction
- 基于Tensorrt加速Yolov8，本项目采用ONNX转Tensorrt方案
- 支持Windows10和Linux
- 支持Python/C++
YOLOv8
Environment
- Tensorrt 8.4.3.
- Cuda 11.6 Cudnn 8.4.1
- onnx 1.12.0
Quick Start
安装yolov8仓库，并下载官方模型。
pip install ultralytics==8.0.5
pip install onnx==1.12.0
# download offical weights(".pt" file)
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
使用官方命令导出ONNX模型。
yolo mode=export model=yolov8n.pt format=onnx dynamic=False
使用本仓库v8_transform.py转换官方的ONNX模型，会自动生成yolov8n.transd.onnx。
python v8_transform.py yolov8n.onnx
将生成的onnx模型复制到tensorrt/bin文件夹下，使用官方trtexec转化onnx模型。FP32预测删除--fp16参数即可。
trtexec --onnx=yolov8n.transd.onnx --saveEngine=yolov8n_fp16.trt --fp16
C++
配置Opencv、Tensorrt环境，具体可参考https://github.com/Monday-Leo/Yolov5_Tensorrt_Win10
打开本仓库的CMakeLists.txt，修改Opencv、Tensorrt路径，之后cmake。
#change to your own path
##################################################
set(OpenCV_DIR "E:/opencv/build")
set(TRT_DIR "E:/TensorRT-8.4.3.1")
##################################################
将预测图片zidane.jpg和模型yolov8n_fp16.trt放入exe文件夹，直接运行程序，没有做warmup预测，首次预测时间不准，想要精确计时请自行修改代码做warmup。想要修改模型路径和图片路径请修改主程序。
int main() {
std::string img_path = "zidane.jpg";
std::string model_path = "yolov8n_fp16.trt";
single_inference(img_path,model_path);
return 0;
}
Python
在刚才的C++工程中右键yolov8，点击属性，修改为动态链接库。
将本仓库的python_trt.py复制到dll文件夹下。
设置模型路径，dll路径和想要预测的图片路径，特别注意模型路径需要加b’’
det = Detector(model_path=b"./yolov8n_fp16.trt",dll_path="./yolov8.dll") # b'' is needed
img = cv2.imread("./zidane.jpg")
Reference
https://github.com/ultralytics/ultralytics文章来源：https://www.toymoban.com/news/detail-424700.html
https://github.com/shouxieai/infer文章来源地址https://www.toymoban.com/news/detail-424700.html
到了这里，关于YOLOv8 Tensorrt Python/C++部署教程的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
