这里默认你已经获得了你自己训练好的yolo模型，博主这里常用的是darknet框架训练yolo模型，下面会以yolov4和yolov4-tiny举例。
#下载、安装环境
git clone https://github.com/jkjung-avt/tensorrt_demos.git
下载完文件后定位到ssd文件执行 install_pycuda.sh
cd ${HOME}/project/tensorrt_demos/ssd
./install_pycuda.sh
接着需要安装onnx
sudo apt-get install protobuf-compiler libprotoc-dev
sudo pip3 install onnx==1.4.1
接着定位到plugins文件夹build相关程序
cd ${HOME}/project/tensorrt_demos/plugins
make
#下载并转换yolo文件
下载模型文件(这里会下载yolov4和yolov3的三个不同版本的文件)
cd ${HOME}/project/tensorrt_demos/yolo
./download_yolo.sh
转换yolo文件这里分两个步骤
1.将.weight模型文件转换成 .onnx 格式
2.再将 .onnx文件转换成 .trt 格式
python3 yolo_to_onnx.py -m yolov4
python3 onnx_to_tensorrt.py -m yolov4 -v
转换时间可能会比较久，耐心等待下
同样yolov4-tiny的操作如下
python3 yolo_to_onnx.py -m yolov4-tiny
python3 onnx_to_tensorrt.py -m yolov4-tiny -v
#使用TRT运行yolov4、yolov4-tiny
–usb 代表使用USB摄影机， --model则是选择特定模型：
yolov4:
cd ${HOME}/project/tensorrt_demos
python3 trt_yolo.py --usb 0 --model yolov4
yolov4-tiny:
cd ${HOME}/project/tensorrt_demos
python3 trt_yolo.py --usb 0 --model yolov4-tiny
#测试效果
yolov4在原darknet框架下运行帧率只有1FPS，使用tensorrt后可达到15FPS
yolov4-tiny在原darknet框架下运行帧率只有10FPS，使用tensorrt后可达到50FPS
版权声明：本文为CSDN博主「嘿咻_chu」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_45006143/article/details/118729319
暂无评论