位置: IT常识 - 正文
Yolov5实例分割Tensorrt部署实战(yolov5实例分割原理详解)
编辑：rootadmin推荐整理分享Yolov5实例分割Tensorrt部署实战(yolov5实例分割原理详解)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:yolov5实例分割源码讲解,yolov5实例分割输出坐标,yolov5实例分割输出坐标,yolov5实例分割输出坐标带角度吗,yolov5实例分割结果处理,yolov5实例分割输出坐标,yolov5实例分割输出坐标,yolov5实例分割输出坐标,内容如对您有帮助，希望把文章链接给更多的朋友！
ultralytics在yolov5的6.2版本发布了实例分割模型，可实现快速实例分割，采用官方v5s-seg.pt效果如下图所示：
本博客将以此为基础，开发c++版本的tensorrt推理代码，直接上链接:这里，本人环境为：
cuda10.2 cudnn8.2.4 Tensorrt8.0.1.6 Opencv4.5.4。。。。。。代码列表如下
├── CMakeLists.txt├── images│ ├── bus.jpg│ └── zidane.jpg├── logging.h├── main1_onnx2trt.cpp├── main2_trt_infer.cpp├── models│ ├── yolov5s-seg.engine│ └── yolov5s-seg.onnx├── output.jpg├── README.md└── utils.h1.生成onnx模型首先我们克隆最新的版本的代码，即6.2版本，并下载对应的pt模型，这里以yolov5s-seg.pt为例进行后面的叙述。
git clone git@github.com:ultralytics/yolov5.git#官方代码git clone git@github.com:fish-kong/Yolov5-instance-seg-tensorrt.git#我的tensort推理c++代码yolov5-6.2的官方代码export.py中提供了直接生成engine的方法，但是我不推荐直接用，原因是生成的engine是跟电脑环境有关的，你换了一个环境之后，之前电脑生成的engine就不能用了，除非两个电脑的环境一模一样，所以我们仅生成onnx模型，命令如下
python export.py --data coco128-seg.yaml --weights yolov5s-seg.pt --cfg yolov5s-seg.yaml --include onnx将会生成名字叫yolov5s-seg.onnx，采用Netron打开后，我们可以看到输入是1x3x640x640，输出output0是1x25200x117，输出output1是1x32x160x160，这些size对后续推理很重要，都是需要写进c++推理代码中的参数。
2. 生成engine模型
1.首先定位到你clone的repo目录下，就是Yolov5-instance-seg-tensorrt目录下 2.复制 yolov5s-seg.onnx 到 models/
3.运行下列代码，生成转换与推理的可执行文件-->onnx2trt trt_infer
mkdir buildcd buildcmake ..make4.模型转换
sudo ./onnx2trt ../models/yolov5s-seg.onnx ../models/yolov5s-seg.engine通过上述操作，我们能得到yolov5s-seg.engine（前提是安装好了cuda，cudnn，tensorrt，opencv，推荐采用我的版本）
3.推理通过2节操作，其实已经生成了trt_infer这个可执行文件只需要执行即可
sudo ./trt_infer ../models/yolov5s-seg.onnx ../images/bus.jpgfor (int i = 0; i < 10; i++) {//计算10次的推理速度 auto start = std::chrono::system_clock::now(); doInference(*context, data, prob, prob1, 1); auto end = std::chrono::system_clock::now(); std::cout << std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count() << "ms" << std::endl;}在main2_trt_infer.cpp中的上述代码是推理10次，并显示时间，在我的1080ti上，基本维持在10ms一帧图片，速度相当之快。
最终结果如下，对比文章最前面的图（这个是官方code直接用pt推理的结果），可以看出基本一致。
4.参考1.wangxinyu大佬的tensorrtx
2.UNeedCryDear大佬的opencv推理
3.2022.09.29更新 c++下面使用opencv部署yolov5和yolov7实例分割模型（六）_爱晚乏客游的博客-CSDN博客_c++ opencv yolo分割
完整的代码已经上传，直接clone使用即可，欢迎评论区评论如果觉得有用，麻烦给我的github repo点个心，谢谢
