部署实战 | 手把手教你在Windows下用TensorRT部署YOLOv8 - 文章 - 开发者社区

点击下方卡片，关注「集智书童」公众号

本文作者丨feiyull

1、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%

picture.image yolov8n一个batch中平均每帧运行耗时(ms)

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。

picture.image yolov8n : Offical( left ) vs Ours( right )

picture.image yolov7-tiny : Offical( left ) vs Ours( right )

picture.image yolov6s : Offical( left ) vs Ours( right )

picture.image yolov5s : Offical( left ) vs Ours( right )

YOLOv4 YOLOv3 YOLOR YOLOX略。

2、Windows10环境配置

「三步解决win环境配置」 ：

1、安装vs2019、Nvidia驱动、cuda，cudnn、opencv、tensorrt；
2、创建属性表；
3、工程设置，运行；
问题：为什么使用vs2019属性表，而不用cmake？
回答：因为属性表可以做到：一次创建，到处使用。

2.1 安装VS2019

需要Microsoft账号，如果您有别的途径下载安装也可以。

进入：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/
选择：[2019] -> [下载]
在新页面选择：Visual Studio Community 2019 (version 16.11)
下载完成之后安装过程选择如下图：
重启系统

picture.image

2.2 安装库

注：Nvidia相关网站需要注册账号。

2.2.1 安装Nvidia显卡驱动

进入：https://www.nvidia.cn/Download/index.aspx?lang=cn#
依据实际情况选择，如下图是我的选择(for RTX3070)：

picture.image

选择：[搜索]->[下载] ->[双击默认安装] -> [重启系统] -> [进入cmd]，输入如下指令：


          
            
nvidia-smi

看到如下信息表明驱动正常：

picture.image

2.2.2 安装 cuda11.2

进入: https://developer.nvidia.com/cuda-toolkit-archive
选择：CUDA Toolkit 11.2.0 (December 2020)
选择：[Windows] -> [x86_64] -> [10] -> [exe(local)] -> [Download(2.9GB)]
双击安装，重启在cmd窗口输入如下指令：


          
            
nvcc -V

CMD窗口打印如下信息表示cuda11.2安装正常


          
            
nvcc: NVIDIA (R) Cuda compiler driver  
Copyright (c) 2005-2020 NVIDIA Corporation  
Built on Mon_Nov_30_19:15:10_Pacific_Standard_Time_2020  
Cuda compilation tools, release 11.2, V11.2.67  
Build cuda_11.2.r11.2/compiler.29373293_0

note:cuda11.2 不需要手动设置环境变量，如下图，环境变量都是自动设置的。

picture.image

2.2.3 安装 cudnn8.2.1

进入网站：https://developer.nvidia.com/rdp/cudnn-archive
选择：Download cuDNN v8.2.1 (June 7th, 2021), for CUDA 11.x
选择：cuDNN Library for Windows (x86)
你将会下载这个压缩包: "cudnn-11.3-windows-x64-v8.2.1.32_2.zip"
解压之后，cudnn的头文件、库文件都要拷贝到cuda安装目录。
如下图，进入cudnn解压所在文件夹中include，拷贝所有头文件，粘贴到CUDA/v11.2/include中
lib、bin中的文件也拷贝到对应cuda目录中
重启系统

picture.image

2.2.4 下载 tensorrt8.4.2.4

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 Windows 10 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 ZIP Package
你将会下载这个压缩包: "TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4.zip"
解压到F:\ThirdParty，并重命名为：TensorRT-8.4.2.4
并将路径"F:\ThirdParty\TensorRT-8.4.2.4\lib"添加到环境变量，如下图：
重启系统

picture.image

2.2.5 OpenCV4.5.5安装

进入：https://opencv.org/releases/
选择：[OpenCV – 4.5.5] -> [Windows]
下载完成之后，是一个exe的自解压格式，解压到：D:\ThirdParty
并将路径："D:\ThirdParty\opencv4.5.5\build\bin" 和 "D:\ThirdParty\opencv4.5.5\build\x64\vc15\bin"添加到环境变量，如下图：
重启系统 note：我的opencv在D盘，tensorrt在E盘，根据实际情况修改就行了。

picture.image

2.3 创建属性表

一般地，Visual Studio 2019，一个库对应两个属性表文件，分别对应：vs2019的debug模式和release模式，例如：本文中OpenCV创建了这两种。而TensorRT和CUDA只需要创建一种属性表(适用以上两种模式)。

2.3.1 创建OpenCV属性表

创建opencv库debug属性表：

step1：基于VS2019随便新建一个C++项目，如下图，项目设置为Debug、X64模式

picture.image

step2：如下图，选择：[属性窗口] -> [右击Debug|x64] -> [添加新项目属性表]

picture.image

step3：文件命名为：OpenCV4.5.5_DebugX64.props -> [添加]
编辑属性表：[如下图：双击属性表]

picture.image

step4：如下图，选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑]

picture.image

step5：如下图，将两个OpenCV两个头文件目录拷贝进去 -> [确认]

picture.image

step6：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 将路径："D:\ThirdParty\opencv4.5.5\build\x64\vc15\lib"拷贝进去 -> [确认]
step7：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> 将文件名" 「opencv_world455d.lib」 "拷贝进去->[确认]

小结：

到这里，opencv库debug属性表制作完成，release属性表和上述流程一样，唯一区别在于，如下图，项目切换到Release x64模式，新建OpenCV4.5.5_ReleaseX64属性表，然后在step7中，将文件名修改为：" 「opencv_world455.lib」 "

picture.image

请记住，制作属性表就3个步骤：

拷贝include路径
拷贝lib路径，外加设置dll到系统环境变量
拷贝lib文件名称

2.3.2 创建TensorRT属性表

右击Debug|x64 or 右击Release|x64新建属性表，重命名为：TensorRT8.4.2.4_X64，


          
            
# include路径  
F:\ThirdParty\TensorRT-8.4.2.4\include  
F:\ThirdParty\TensorRT-8.4.2.4\samples\common  
F:\ThirdParty\TensorRT-8.4.2.4\samples\common\windows  
# lib路径  
F:\ThirdParty\TensorRT-8.4.2.4\lib  
# lib文件名称（for release& debug）  
nvinfer.lib  
nvinfer_plugin.lib  
nvonnxparser.lib  
nvparsers.lib

依照上一节3个步骤：

step1：选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑] -> 把上述3个include路径拷贝进去
step2：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 把上述lib路径拷贝进去
step3：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> [编辑] -> 将上述lib文件名称拷贝进去->[确认] 最后，修改tensorrt属性表：[通用属性] -> [C/C++] -> [预处理器] -> [预处理器定义] -> 添加指令：_CRT_SECURE_NO_WARNINGS -> [确认]

2.3.3 创建CUDA属性表

CUDA属性表直接白嫖官方，在路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions\CUDA 11.2.props

最后，我们应该有了如下属性表文件：

picture.image

其中，cuda 和tensorrt的属性表同时兼容release x64 和debug x64，你再新建TensorRT-Alpha中yolov8 yolov7 yolov6 等项目后，只需要把上述提前做好的属性表引入到工程就行了，当然项目还需要进行简单设置(设置NVCC，避免tensorrt的坑)，在后文提到。属性表做到了一次新建，到处使用。

3、YOLOv8模型部署

Windows10环境安装YOLOv8的python环境安装，参考我的另一篇《Win10环境下yolov8快速配置与测试》：https://blog.csdn.net/m0\_72734364/article/details/128815530

3.1 获取YOLOv8 onnx文件

直接在网盘下载(https://share.weiyun.com/3T3mZKBm)，或者 google driver(https://drive.google.com/drive/folders/1-8phZHkx\_Z274UVqgw6Ma-6u5AKmqCOv) 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==1.12.0  
  
# 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

3.2 编译 onnx


          
            
# trtexec.exe在路径：F:\ThirdParty\TensorRT-8.4.2.4\bin  
  
# trtexec.exe, onnx, trt路径改成自己的  
  
# 640  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8n.onnx  --saveEngine=yolov8n.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8s.onnx  --saveEngine=yolov8s.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8m.onnx  --saveEngine=yolov8m.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8l.onnx  --saveEngine=yolov8l.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --onnx=yolov8x.onnx  --saveEngine=yolov8x.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640  
# 1280  
../../../../TensorRT-8.4.2.4/bin/trtexec.exe   --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。

3.3 编译运行

3.3.1 新建、设置项目

下载TensorRT-Alpha仓库：


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

新建yolov8 C++项目：参考B站视频【提示：从0分34秒开始，演示如何设置NVCC编译，如何避免tensorrt在win环境的坑】：「yolov8 tensorrt 实战之先导」 (https://www.bilibili.com/video/BV1xT411f72f/?spm\_id\_from=333.999.0.0&vd\_source=a96c9c3f099f4167807291a34fd50fd5)
小结:后续创建TensorRT-Alpha中YOLOv7、 YOLOv6等工程之后，只需要将上文中的属性表添加到工程，然后按照《yolov8 tensorrt 实战之先导》提到的设置工程就OK。

3.3.2 编译运行

上面视频在vs2019中设置命令行参数，您也可以在CMD命令行上运行程序，如下：


          
            
# 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.exe  --model=../../data/yolov8/yolov8n.trt --size=640 --batch_size=1  --img=../../data/6406407.jpg   --show --savePath  
./app_yolov8.exe  --model=../../data/yolov8/yolov8n.trt --size=640 --batch_size=8  --video=../../data/people.mp4  --show --savePath  
  
# 推理视频  
./app_yolov8.exe  --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.exe  --model=../../data/yolov8/yolov8n.trt     --size=640 --batch_size=2  --cam_id=0  --show  
  
## 1280  
# infer camera  
./app_yolov8.exe  --model=../../data/yolov8/yolov8x6.trt     --size=1280 --batch_size=2  --cam_id=0  --show