YOLOv11实现并使用NVIDIA TensorRT进行优化的对象检测项目源码

📜 引用 YOLOv11 C++ TensorRT 项目是一个用C++实现并使用NVIDIA TensorRT进行优化的高性能对象检测解决方案。该项目利用 YOLOv11 模型提供快速准确的对象检测，并利用 TensorRT 最大限度地提高推理效率和性能。 📢 更新 主要特点： 模型转换：将 ONNX 模型转换为 TensorRT 引擎文件以加速推理。 视频推理：有效地对视频文件进行对象检测。 图像推理：对单个图像执行对象检测。 高效率：针对使用 NVIDIA GPU 的实时物体检测进行了优化。 使用 CUDA 进行预处理：支持 CUDA 的预处理，可实现更快的输入处理。 YOLOv11 模型的基准推理时间 📂 项目结构 YOLOv11-TensorRT/ ├── CMakeLists.txt # Build configuration for the project ├── include/ # Header files ├── src/ │ ├── main.cpp # Main entry point for the application │ ├── yolov11.cpp # YOLOv11 implementation │ └── preprocess.cu # CUDA preprocessing code ├── assets/ # Images and benchmarks for README └── build/ # Compiled binaries 🛠️ 设置 先决条件 CMake（版本 3.18 或更高版本） TensorRT（V8.6.1.6：用于使用 YOLOv11 进行优化推理。） CUDA 工具包（V11.7：用于 GPU 加速） OpenCV（V4.10.0：用于图像和视频处理） NVIDIA GPU（计算能力 7.5 或更高） 安装 cd YOLOv11-TensorRT 更新 CMakeLists.txt 中的 TensorRT 和 OpenCV 路径： set(TENSORRT_PATH "F:/Program Files/TensorRT-8.6.1.6") # Adjust this to your path 构建项目： mkdir build cd build cmake .. make -j$(nproc) 🚀 使用方法 将 Yolov11 转换为 ONNX 模型 from ultralytics import YOLO Load the YOLO model model = YOLO("yolo11s.pt") #Export the model to ONNX format export_path = model.export(format="onnx") 将 ONNX 模型转换为 TensorRT 引擎 要将 ONNX 模型转换为 TensorRT 引擎文件，请使用以下命令： ./YOLOv11TRT convert path_to_your_model.onnx path_to_your_engine.engine. path_to_your_model.onnx：ONNX 模型文件的路径。 path_to_your_engine.engine：TensorRT 引擎文件的保存路径。 对视频进行推理 要对视频运行推理，请使用以下命令： ./YOLOv11TRT infer_video path_to_your_video.mp4 path_to_your_engine.engine path_to_your_video.mp4：输入视频文件的路径。 path_to_your_engine.engine：TensorRT 引擎文件的路径。 对视频进行推理 对图像运行推理 要在图像上运行推理，请使用以下命令： ./YOLOv11TRT infer_image path_to_your_image.jpg path_to_your_engine.engine path_to_your_image.jpg：输入图像文件的路径。 path_to_your_engine.engine：TensorRT 引擎文件的路径。 ⚙️ 配置 CMake 配置 在 CMakeLists.txt 中，如果 TensorRT 和 OpenCV 安装在非默认位置，请更新它们的路径： 设置TensorRT安装路径 #Define the path to TensorRT installation set(TENSORRT_PATH "F:/Program Files/TensorRT-8.6.1.6") # Update this to the actual path for TensorRT 确保该路径指向安装 TensorRT 的目录。 故障排除 找不到 nvinfer.lib：确保 TensorRT 已正确安装且 nvinfer.lib 位于指定路径中。更新 CMakeLists.txt 以包含 TensorRT 库的正确路径。 链接器错误：验证所有依赖项（OpenCV、CUDA、TensorRT）是否正确安装，以及它们的路径是否在 CMakeLists.txt 中正确设置。 运行时错误：确保您的系统具有正确的 CUDA 驱动程序，并且 TensorRT 运行时库可访问。将 TensorRT 的 bin 目录添加到您的系统 PATH。