yolov5使用tensorrt部署c++ros

### 如何在ROS中使用C++和TensorRT部署YOLOv5 #### 创建ROS工作空间并安装依赖项 为了能够在ROS环境中成功部署YOLOv5模型，首先需要创建一个新的Catkin工作空间，并确保已安装必要的依赖项。这包括但不限于TensorRT库以及CUDA工具链。 ```bash mkdir -p ~/ros_tensorrt_ws/src && cd ~/ros_tensorrt_ws/ catkin_init_workspace src cd src/ git clone https://github.com/NVIDIA/TensorRT.git sudo apt-get install nvidia-cuda-toolkit ``` #### 构建自定义消息类型和服务接口 对于计算机视觉应用程序来说，通常会涉及到图像数据和其他传感器信息的传输。因此，在此之前应该先定义好相应的ROS消息文件[^1]。 ```cpp // msg/BoundingBox.msg float64 x_min float64 y_min float64 x_max float64 y_max string label int32 confidence_level ``` #### 编写加载预训练YOLOv5模型的代码片段 下面是一个简单的例子，展示如何利用TensorRT API读取ONNX格式导出后的YOLOv5权重参数，并初始化推理引擎实例： ```cpp #include <NvInfer.h> ... std::shared_ptr<nvinfer1::ICudaEngine> load_engine(const std::string& plan_file){ ... } ``` #### 实现检测逻辑并将结果发布到话题上 一旦完成了上述准备工作之后，则可以在回调函数内部调用`infer()`方法执行前向传播操作获取预测边界框坐标值；随后将它们封装成标准的消息结构体并通过Publisher广播出去供其他节点订阅处理[^2]。 ```cpp void image_callback(const sensor_msgs::ImageConstPtr& img_msg){ auto detections = infer(img_msg); vision_msgs::Detection2DArray det_array; for(auto &det : detections){ vision_msgs::BoundingBox bbox; bbox.center.x = (det.xmin + det.xmax)/2.; bbox.center.y = (det.ymin + det.ymax)/2.; bbox.size_x = abs(det.xmax-det.xmin); bbox.size_y = abs(det.ymax-det.ymin); vision_msgs::ObjectHypothesisWithPose obj_hyp; obj_hyp.id = class_names[det.class_id]; obj_hyp.score = det.confidence; vision_msgs::Detection2D detection; detection.results.push_back(obj_hyp); detection.bbox = bbox; det_array.detections.push_back(detection); } pub_.publish(det_array); } ``` #### 配置CMakeLists.txt以支持编译过程中的链接选项 最后一步是在项目的根目录下编辑`CMakeLists.txt`文件，添加对所需第三方库的支持声明以便顺利完成整个工程的构建流程[^3]。 ```cmake find_package(TensorRT REQUIRED) include_directories(${TENSORRT_INCLUDE_DIRS}) target_link_libraries(your_node_name ${catkin_LIBRARIES} ${TENSORRT_LIBRARY}) ```