NVIDIA ® TensorRT ™ 是一款用于高性能深度学习推理的 SDK，包含深度学习推理优化器和运行时，可为推理应用程序提供低延迟和高吞吐量。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。
在本文中，我们将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。下面看一下YOLOv10模型在TensorRT上的运行效果吧：
YOLOv10实现500FPS推理速度，快到离谱！！——使用 TensorRT C++ API 调用GPU加速部署YOLOv10实现快速预测
TensorRT是NVIDIA官方推出的一个高性能深度学习推理加速引擎，它能够使深度学习模型在GPU上进行低延迟、高吞吐量的部署。TensorRT是基于CUDA和cuDNN的，专门为NVIDIA的GPU进行了优化。TensorRT支持TensorFlow、PyTorch、Caffe、MxNet等深度学习框架。对于MxNet和PyTorch，需要先将其模型转换为中间模型ONNX格式。总的来说，TensorRT是一个强大的深度学习推理加速引擎，通过优化和部署深度学习模型，能够在各种应用场景中实现快速、高效的推理性能。
YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，该方法在Ultralytics Python包的基础上进行了多项创新和改进，主要有以下特点
通过广泛的实验验证，YOLOv10在多个模型尺度上实现了卓越的精度-延迟权衡。例如，在COCO数据集上，YOLOv10-S在相似精度下比其他实时目标检测方法更快，同时参数和浮点运算量也大幅减少。综上所述，YOLOv10通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。
下面简单介绍一下项目的开发环境，开发者可以根据自己的设备情况进行配置：
此处代码开发平台使用的是C++，因此在项目配置时，需要配置第三方依赖库，分别是CUDA\CUDNN、TensorRT和OpenCV三个依赖库，其配置方式此处不做详述。
YOLOv10 模型需要源码进行下载，首先克隆GitHub上的源码，输入以下指令：
git clone https://github.com/THU-MIG/yolov10.git
cd yolov10
接下来安装模型下载以及转换环境，此处使用Anaconda进行程序集管理，输入以下指令创建一个yolov10环境：
conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .
首先导出目标识别模型，此处以官方预训练模型为例，首先下载预训练模型文件，然后调用yolo导出ONBNX格式的模型文件，最后使用 OpenVINO™ 的模型转换命令将模型转为IR格式，依次输入以下指令即可：
wget https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt
yolo export model=yolov10s.pt format=onnx opset=13 simplify
首先定义ONNX模型转换Engine格式的代码，如下所示：
#include "opencv2/opencv.hpp"
#include <fstream>
#include <iostream>
#include "cuda.h"
#include "NvInfer.h"
#include "NvOnnxParser.h"
class Logger : public nvinfer1::ILogger
{
void log(Severity severity, const char* msg) noexcept override
{
if (severity <= Severity::kWARNING)
std::cout << msg << std::endl;
}
} logger;
void onnxToEngine(const char* onnxFile, int memorySize) {
// 将路径作为参数传递给函数
std::string path(onnxFile);
std::string::size_type iPos = (path.find_last_of('\\') + 1) == 0 ? path.find_last_of('/') + 1 : path.find_last_of('\\') + 1;
std::string modelPath = path.substr(0, iPos);//获取文件路径
std::string modelName = path.substr(iPos, path.length() - iPos);//获取带后缀的文件名
std::string modelName_ = modelName.substr(0, modelName.rfind("."));//获取不带后缀的文件名名
std::string engineFile = modelPath + modelName_ + ".engine";
// 构建器，获取cuda内核目录以获取最快的实现
// 用于创建config、network、engine的其他对象的核心类
nvinfer1::IBuilder* builder = nvinfer1::createInferBuilder(logger); // 构建器，获取cuda内核目录以获取最快的实现，用于创建config、network、engine的其他对象的核心类
const auto explicitBatch = 1U << static_cast<uint32_t>(nvinfer1::NetworkDefinitionCreationFlag::kEXPLICIT_BATCH); // 定义网络属性
nvinfer1::INetworkDefinition* network = builder->createNetworkV2(explicitBatch); // 解析onnx网络文件，tensorRT模型类
nvonnxparser::IParser* parser = nvonnxparser::createParser(*network, logger); // 将onnx文件解析，并填充rensorRT网络结构
parser->parseFromFile(onnxFile, 2); // 解析onnx文件
for (int i = 0; i < parser->getNbErrors(); ++i) {
std::cout << "load error: " << parser->getError(i)->desc() << std::endl;
}
printf("tensorRT load mask onnx model successfully!!!...\n");
// 创建推理引擎
nvinfer1::IBuilderConfig* config = builder->createBuilderConfig(); // 创建生成器配置对象。
config->setMaxWorkspaceSize(1024 * 1024 * memorySize); // 设置最大工作空间大小。
config->setFlag(nvinfer1::BuilderFlag::kFP16); // 设置模型输出精度
nvinfer1::ICudaEngine* engine = builder->buildEngineWithConfig(*network, *config); // 创建推理引擎
// 将推理文件保存到本地
std::cout << "try to save engine file now~~~" << std::endl;
std::ofstream filePtr(engineFile, std::ios::binary);
if (!filePtr) {
std::cerr << "could not open plan output file" << std::endl;
return;
}
// 将模型转化为文件流数据
nvinfer1::IHostMemory* modelStream = engine->serialize();
// 将文件保存到本地
filePtr.write(reinterpret_cast<const char*>(modelStream->data()), modelStream->size());
// 销毁创建的对象
modelStream->destroy();
engine->destroy();
network->destroy();
parser->destroy();
std::cout << "convert onnx model to TensorRT engine model successfully!" << std::endl;
}
通过调用TensorRT模型优化器，可以将ONNX模型进行优化，结合本机GPU设备，进行优化加速，并转换成TensorRT模型支持的模型格式，这一步也可以在模型推理时进行，但是模型优化需要较长时间，因此最好先将模型进行转换。定义好代码后，在主函数中调用即可，如下所示：
onnxToEngine("E:\\Text_Model\\yolov10s.onnx", 50);
数据预处理此处通过OpenCV实现，将输入的图片数据转为模型需要的数据情况，代码如下所示：
void preProcess(cv::Mat *img, int length, float* factor, std::vector<float>& data) {
cv::Mat mat;
int rh = img->rows;
int rw = img->cols;
int rc = img->channels();
cv::cvtColor(*img, mat, cv::COLOR_BGR2RGB);
int maxImageLength = rw > rh ? rw : rh;
cv::Mat maxImage = cv::Mat::zeros(maxImageLength, maxImageLength,CV_8UC3);
maxImage = maxImage * 255;
cv::Rect roi (0, 0, rw, rh);
mat.copyTo(cv::Mat(maxImage, roi));
cv::Mat resizeImg;
cv::resize(maxImage, resizeImg, cv::Size(length, length), 0.0f, 0.0f, cv::INTER_LINEAR);
*factor = (float)((float)maxImageLength / (float)length);
resizeImg.convertTo(resizeImg, CV_32FC3, 1 / 255.0);
rh = resizeImg.rows;
rw = resizeImg.cols;
rc = resizeImg.channels();
for (int i = 0; i < rc; ++i) {
cv::extractChannel(resizeImg, cv::Mat(rh, rw, CV_32FC1, data.data() + i * rh * rw), i);
}
}
在调用时也相对简单，将相关变量传入即可，代码如下所示：
Mat frame = new frame();
std::vector<float> inputData(640 * 640 * 3);
float factor = 0;
preProcess(&frame, 640, &factor, inputData);
首先此处定义了一个结果类：
struct DetResult {
cv::Rect bbox;
float conf;
int lable;
DetResult(cv::Rect bbox,float conf,int lable):bbox(bbox),conf(conf),lable(lable){}
};
然后定义模型的结果处理方式，代码如下所示：
std::vector<DetResult> postProcess(float* result, float factor, int outputLength) {
std::vector<cv::Rect> positionBoxes;
std::vector <int> classIds;
std::vector <float> confidences;
// Preprocessing output results
for (int i = 0; i < outputLength; i++)
{
int s = 6 * i;
if ((float)result[s + 4] > 0.2)
{
float cx = result[s + 0];
float cy = result[s + 1];
float dx = result[s + 2];
float dy = result[s + 3];
int x = (int)((cx)* factor);
int y = (int)((cy)* factor);
int width = (int)((dx - cx) * factor);
int height = (int)((dy - cy) * factor);
cv::Rect box(x, y, width, height);
positionBoxes.push_back(box);
classIds.push_back((int)result[s + 5]);
confidences.push_back((float)result[s + 4]);
}
}
std::vector<DetResult> re;
for (int i = 0; i < positionBoxes.size(); i++)
{
DetResult det(positionBoxes[i], confidences[i], classIds[i]);
re.push_back(det);
}
return re;
}
最后为了让结果可视化，定义了结果绘制方法，代码如下所示：
void drawBbox(cv::Mat& img, std::vector<DetResult>& res) {
for (size_t j = 0; j < res.size(); j++) {
cv::rectangle(img, res[j].bbox, cv::Scalar(255, 0, 255), 2);
cv::putText(img, std::to_string(res[j].lable) + "-" + std::to_string(res[j].conf),
cv::Point(res[j].bbox.x, res[j].bbox.y - 1), cv::FONT_HERSHEY_PLAIN,
1.2, cv::Scalar(0, 0, 255), 2);
}
}
上述方式调用依旧十分容易，使用代码如下所示：
std::vector<float> output_data(300 * 6);
std::vector<DetResult> result = postProcess(output_data.data(), factor, 300);
drawBbox(frame, result);
首先读取上文中转换的Engine模型，并创建推理通道，用于后文的模型推理，实现代码如下所示：
std::shared_ptr<nvinfer1::IExecutionContext> creatContext(std::string modelPath) {
// 以二进制方式读取问价
std::ifstream filePtr(modelPath, std::ios::binary);
if (!filePtr.good()) {
std::cerr << "文件无法打开，请确定文件是否可用！" << std::endl;
return std::shared_ptr<nvinfer1::IExecutionContext>();
}
size_t size = 0;
filePtr.seekg(0, filePtr.end); // 将读指针从文件末尾开始移动0个字节
size = filePtr.tellg(); // 返回读指针的位置，此时读指针的位置就是文件的字节数
filePtr.seekg(0, filePtr.beg); // 将读指针从文件开头开始移动0个字节
char* modelStream = new char[size];
filePtr.read(modelStream, size);
// 关闭文件
filePtr.close();
nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger);
nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(modelStream, size);
return std::shared_ptr<nvinfer1::IExecutionContext>(engine->createExecutionContext());
}
下面结合一个视频推理，编写TensorRT推理YOLOv10的流程，代码如下所示：
#include "opencv2/opencv.hpp"
#include <fstream>
#include <iostream>
#include "cuda.h"
#include "NvInfer.h"
#include "NvOnnxParser.h"
class Logger : public nvinfer1::ILogger
{
void log(Severity severity, const char* msg) noexcept override
{
// suppress info-level messages
if (severity <= Severity::kWARNING)
std::cout << msg << std::endl;
}
} logger;
void yolov10Infer() {
const char* videoPath = "E:\\Text_dataset\\car_test.mov";
const char* enginePath = "E:\\Text_Model\\yolov10s.engine";
std::shared_ptr<nvinfer1::IExecutionContext> context = creatContext(enginePath);
cv::VideoCapture capture(videoPath);
// 检查摄像头是否成功打开
if (!capture.isOpened()) {
std::cerr << "ERROR: 视频无法打开" << std::endl;
return;
}
cudaStream_t stream;
cudaStreamCreate(&stream);
void* inputSrcDevice;
void* outputSrcDevice;
cudaMalloc(&inputSrcDevice, 3 * 640 * 640 * sizeof(float));
cudaMalloc(&outputSrcDevice, 1 * 300 * 6 * sizeof(float));
std::vector<float> output_data(300 * 6);
std::vector<float> inputData(640 * 640 * 3);
while (true)
{
cv::Mat frame;
if (!capture.read(frame)) {
break;
}
float factor = 0;
preProcess(&frame, 640, &factor, inputData);
cudaMemcpyAsync(inputSrcDevice, inputData.data(), 3 * 640 * 640 * sizeof(float),
cudaMemcpyHostToDevice, stream);
void* bindings[] = { inputSrcDevice, outputSrcDevice };
context->enqueueV2((void**)bindings, stream, nullptr);
cudaMemcpyAsync(output_data.data(), outputSrcDevice, 300 * 6 * sizeof(float),
cudaMemcpyDeviceToHost, stream);
cudaStreamSynchronize(stream);
std::vector<DetResult> result = postProcess(output_data.data(), factor, 300);
drawBbox(frame, result);
imshow("读取视频", frame);
cv::waitKey(10); //延时30
}
cv::destroyAllWindows();
}
通过上诉代码便可以实现使用NVIDIA TensorRT C++部署YOLOv10实现GPU加速。
在本文中，我们将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。最后我们对模型推理速度进行了测试，测试结果如下所示：
| PreProcess | Inference | PostProcess | |
|---|---|---|---|
| Time (ms) | 7.59 | 1.35 | 6.95 |
最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。
