win10下yolov7 tensorrt模型部署
-
TensorRT系列之 Win10下yolov8 tensorrt模型加速部署
-
TensorRT系列之 Linux下 yolov8 tensorrt模型加速部署
-
TensorRT系列之 Linux下 yolov7 tensorrt模型加速部署
-
TensorRT系列之 Linux下 yolov6 tensorrt模型加速部署
-
TensorRT系列之 Linux下 yolov5 tensorrt模型加速部署
-
TensorRT系列之 Linux下 yolox tensorrt模型加速部署
-
TensorRT系列之 Linux下 u2net tensorrt模型加速部署
-
更多（点我进去）…
文章目录
- 一、YOLOv7简介
- 二、Win10 TensorRT环境配置
-
- 2.1 安装VS2019
- 2.2 安装库
-
- 2.2.1 安装Nvidia显卡驱动
- 2.2.2 安装 cuda11.2
- 2.2.3 安装 cudnn8.2.1
- 2.2.4 下载 tensorrt8.4.2.4
- 2.2.5 OpenCV4.5.5安装
- 2.3 创建属性表
-
- 2.3.1 创建OpenCV属性表
- 2.3.2 创建TensorRT属性表
- 2.3.3 创建CUDA属性表
- 2.3.4 新建工程与设置
-
- 2.3.4.1 新建vs工程
- 2.3.4.2 vs2019工程设置
- 三、从yolov7源码中导出onnx文件
- 四、利用tensorrt编译onnx模型
- 五、编译执行yolov7-tensorrt工程
- 六、结束语
yolov7 tensorrt cuda模型推理加速部署TensorRT-Alpha《Korea-Night》
一、YOLOv7简介
YOLOv7是一种基于深度学习的目标检测算法，由美国计算机科学家Joseph Redmon等人于2016年提出。YOLOv7的创新点在于其速度和准确性的平衡，以及在处理小目标时的优越性能。
YOLOv7的主要创新点包括：
-
多尺度预测：YOLOv7采用了多尺度预测的方法，可以同时检测不同大小的目标，提高了检测的准确性。
-
特征融合：YOLOv7使用了更深的卷积神经网络来提取特征，并将浅层和深层的特征进行融合，提高了检测的准确性。
-
锚框设计：YOLOv7采用了Darknet-53作为基础网络，并设计了新的锚框，使得模型能够更好地适应各种形状的目标。
-
损失函数优化：YOLOv7使用了新的损失函数，使得模型在训练过程中能够更好地学习到目标的位置信息。
YOLOv7的作者Joseph Redmon是YOLO系列算法的主要贡献者，他在计算机视觉领域有着广泛的影响力。他的研究成果被广泛应用于自动驾驶、安防监控等领域。
YOLOv7对业界的影响主要体现在以下几个方面：
-
提高了目标检测的速度和准确性：YOLOv7在保持较高准确性的同时，大大提高了检测速度，满足了实时性的需求。
-
推动了深度学习在目标检测领域的应用：YOLOv7的成功应用，推动了深度学习在目标检测领域的广泛应用。
-
促进了相关技术的发展：YOLOv7的出现，推动了目标检测技术、深度学习技术等相关技术的发展。
本文提供深度学习CV领域模型加速部署案例，仓库实现的cuda c支持多batch图像预处理、推理、decode、NMS。大部分模型转换流程为：torch->onnx->tensorrt。下图左边是yolov7-python源码推理结果，右边是本文基于tensorrt实现yolov7模型部署的推理结果。
yolov7-tiny : Offical( left ) vs Ours( right ）
有源码！有源码！有源码！ 不要慌，哈哈哈。
二、Win10 TensorRT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；
- 注：一定是先安装vs2019，再安装cuda，顺序不能颠倒，因为cuda会自动给vs2019安装插件。
问题：windows环境下，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
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)：
- 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：
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。
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
2.2.4 下载 tensorrt8.4.2.4
- 进入网站： https://developer.nvidia.com/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
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。
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
- step2：如下图，选择：[属性窗口] -> [右击Debug|x64] -> [添加新项目属性表]
- 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]
- step4：如下图，选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑]
- step5：如下图，将两个OpenCV两个头文件目录拷贝进去 -> [确认]
- 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”
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 # 这个路径文件不需要包含
# 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：
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。
2.3.4 新建工程与设置
这一节演示如何新建vs工程，如何设置工程，是通用方法。适用于仓库所有模型源码。
2.3.4.1 新建vs工程
如下图，打开vs2019，点击：文件 -> 新建-> 项目。
选择：空项目 -> 下一步。
选择创建。
如下图，现在将工程设置为：Release X64。
2.3.4.2 vs2019工程设置
如下图，选择：属性管理器 -> Release | x64 -> 添加现有属性表，把上一节生成的三个RleaseX64属性表添加进来。
添加进来后样子如下图：
TensorRT项目包含c++和cuda c代码，通俗讲，c++代码文件格式为：
- .h头文件
- .cpp文件
- 由c++编译器编译
而cuda代码头文件格式为： - .h头文件
- .cu文件
- 由NVCC编译器编译
例如：我们添加如下图5个文件，在工程中。
添加CUDA依赖：右击项目 -> 生成依赖项 -> 生成自定义
将如下图CUDA11.2打钩 -> 确认
右击项目 -> 属性，将会打开如下界面，将字符集设置为未设置，点击确认。
最后，在项目中，同时选中所有.cu文件和对应的.h文件，注意是所有。我这里就是a.h 和 a.cu文件了。然后右击 -> 点属性。
【注】：在tensorrt-alpha开源项目中，例如yolov8，会添加多个.cu .cpp .h格式文件，其中.cu和对应的.h文件都是这样设置，目的就是让NVCC编译器来编译cuda代码。
得到如下界面，我们把项类型设置为CUDA C/C++，点击确认。
然后编译一下：
编译成功如下图：
三、从yolov7源码中导出onnx文件
可以直接从网盘下载onnx文件[weiyun]:weiyun or google driver ，你也可以自己下载仓库，然后按照下面指令手动导出onnx文件，下载yolov7源码：
git clone https://github.com/WongKinYiu/yolov7
git checkout 072f76c72c641c7a1ee482e39f604f6f8ef7ee92
安装 yolov7环境
pip install -r requirements.txt
命令行进入yolov7源码根目录，用以下指令导出onnx模型文件
# 640
python export.py --weights yolov7-tiny.pt --dynamic --grid
python export.py --weights yolov7.pt --dynamic --grid
python export.py --weights yolov7x.pt --dynamic --grid
# 1280
python export.py --weights yolov7-w6.pt --dynamic --grid --img-size 1280
四、利用tensorrt编译onnx模型
将上一个章节中导出onnx模型放到任意路径。进入到tensorrt根目录下bin文件里，里面有个tensorrt官方提供的模型编译工具，即：trtexec.exe 如下图：
然后使用，以下指令编译onnx模型，需要注意：参数 --onnx 和 --saveEngine 可以设置为自定义路径，例如：
--onnx=d:/Data/xxx.onnx --saveEngine=d:/Data/xxx.trt
# 640
.\trtexec.exe --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny.trt --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
.\trtexec.exe --onnx=yolov7.onnx --saveEngine=yolov7.trt --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
.\trtexec.exe --onnx=yolov7x.onnx --saveEngine=yolov7x.trt --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
# 1280
.\trtexec.exe --onnx=yolov7-w6.onnx --saveEngine=yolov7-w6.trt --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280
注：如果报错（Error Code 1: Cuda Runtime (an illegal memory access was encountered “bool context = m_context->executeV2((void**)bindings)” returns false）
可能是爆显存了，降低batch-size就行了
五、编译执行yolov7-tensorrt工程
下载源码并编译
git clone https://github.com/FeiYull/tensorrt-alpha
仿造 2.3.4 新建工程与设置 中新建、设置vs2019工程；其中，yolov7需要将如下图多个文件添加到工程中：
- 红色框内文件来自TensorRT-Alpha/utils/
- 蓝色框内文件来自TensorRT-Alpha/yolov7/
- 绿色框内文件来自TensorrRT安装路径下：TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4\TensorRT-8.4.2.4\samples\common\logger.cpp
如下图，yolov7项目编译成功，从下面编译信息可以看到，exe文件所在路径为： - D:\my_code_trt\TensorRT-Alpha-VS2019\TensorRT-Alpha\x64\Release\yolov7.exe
1>------ 已启动生成: 项目: yolov7, 配置: Release x64 ------
1>正在生成代码
1>0 of 1033 functions ( 0.0%) were compiled, the rest were copied from previous compilation.
1> 0 functions were new in current compilation
1> 0 functions had inline decision re-evaluated but remain unchanged
1>已完成代码的生成
1>yolov7.vcxproj -> D:\my_code_trt\TensorRT-Alpha-VS2019\TensorRT-Alpha\x64\Release\yolov7.exe
========== 生成: 成功 1 个，失败 0 个，最新 0 个，跳过 0 个 ==========
以下是命令行执行指令，需要说明的是执行推理任务，支持图片、视频、摄像头
## 640
# infer image
./app_yolov7.exe --model=../../data/yolov7/yolov7-tiny.trt --size=640 --batch_size=1 --img=../../data/6406401.jpg --show --savePath
./app_yolov7.exe --model=../../data/yolov7/yolov7-w6.trt --size=1280 --batch_size=1 --img=../../data/6406401.jpg --show --savePath=../
# infer video
./app_yolov7.exe --model=../../data/yolov7/yolov7-tiny.trt --size=640 --batch_size=2 --video=../../data/people.mp4 --show
# infer camera
./app_yolov7.exe --model=../../data/yolov7/yolov7-tiny.trt --size=640 --batch_size=2 --cam_id=0 --show
这里给个示范，例如我要在命令行使用yolov7推理一张图：
.\yolov7.exe --model=D:/ThirdParty/TensorRT-8.4.2.4/bin/yolov7-tiny.trt --size=640 --batch_size=1 --img=d:/Data/1.jpg --show --savePath=d:/
效果如下图：
下面是推理视频效果，可以自己玩一玩：
yolov7 tensorrt cuda模型推理加速部署TensorRT-Alpha《Korea-Night》
六、结束语
都看到这里了，觉得可以请点赞收藏，有条件的去仓库点个star，仓库：https://github.com/FeiYull/tensorrt-alpha
