前言

最近，在项目中需要用到DBNet，为了达到实时性，故想TensorRT来进行推理加速。

一、准备工作

1.代码下载

pytorch版的DBNet下载：DBNet（Windows下使用TensorRT也可以参考）
对应的TensorRT编译代码：TensorRTX

2.环境搭建

所需依赖项参考原先的DBNet的requirement.txt：这里
可以将这个requirements.txt内容复制一份，然后我们的python环境中执行以下操作：

pip install -r requirement.txt

二、模型准备

1、训练自己的模型

  根据pytorch版的DBNet里的README.md来进行数据集的准备和自己模型的训练。
  需要注意的是，这里用的预训练模型是你选用的主干网络的模型，在代码中会自动下载。嫌弃慢的话，可以提前下在好，然后放到指定路径下即可。

2.模型转换

  因为我们要进行TensorRT推理加速，故需要将我们训练出来模型先转换为.wts的格式，找到这个文件tools/predict.py下的如下位置：

只需将里面的涉及到的路径改为自己的，然后将166行的–save_wts属性改为True即可

三、开始编译

1、编译

进入到tensorrtx/dbnet,执行如下命令

mkdir build
cd build
cmake ..
make

2、模型准备

将我们生成的wts模型复制一份或者直接移动到当前路径下

3、模型转换

执行如下命令

./dbnet -s

成功后，会在我们当前目录生成一个engine文件。

4、测试

执行命令

./dbnet -d ./test_img

test_img是当前路径下的存放测试图片的文件夹

5、结果反馈

结果忘记截图记录，就口头说一下吧：
未加速：3-4ms一张图
TensorRT加速：11ms一张图
结果反而变慢了，原因还不太清楚，可能是存在不支持的算子。后续可能会去试试PaddleOCR里的DBNet，将两者的检测效果和加速情况做对比。

四、Bug记录

在编译过程中，出现了如下错误：

1、版本过高，出现如下错误：

这是因为我的TensorRT版本过高（8.2），而代码时7.x的版本，故解决办法为，更改dbnet下的logging.h文件里的239行如下：

改为：

2、编译过程中，出现如下错误：

解决办法：
在dbnet.cpp文件开头部分导入如下头文件：

总结

  以上就是我在编译中遇到的问题，对了，编译前，请确保CMakeLists.txt里的CUDA，TensorRT，OpenCV等路径和你的匹配，否则会爆其他的错，详情可以参考我在编译YOLOV5时遇到的错误，链接如下：这里
  解决以上错误，参考了几位大佬的博客，在此，表示感谢。

版权声明：本文为CSDN博主「qq_55068938」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_55068938/article/details/122382086