Jetson AGX Orin上部署YOLOv5_v5.0+TensorRT8
一．首先是捋请思路
①刷机后的Orin上环境是：CUDA11.4+CUDNN8.3.2使得后续需要的部署环境只能为TensorRT8.x（这是根据cuda和cudnn的版本确定的，安装见：三．TensorRT加速优化（１））
②TensorRT部署这里需要一个版本对应可以看到tensorrtx的最高yolov5支持的是v5.0模型，所以第③步最高选择是到YOLOv5_v5.0．下载：（GitHub - wang-xinyu/tensorrtx at yolov5-v5.0）
③ YOLOv5_v5.0下载：（https://github.com/ultralytics/yolov5/tree/v5.0）
④ 下载.pt文件，有yolov5s.pt / yolov5l.pt / yolov5m.pt ....等，这里下载yolov5s.pt（对应上面的YOLOv5_v5.0）下载：https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
⑤ 需要有OpenCV，我安装的是opencv-4.6.0 : 安装OpenCV4.6.0简洁过程--Jetson AGX Orin
二．参考Github上的步骤流程
1. generate .wts from pytorch with .pt, or download .wts from model zoo
git clone -b v5.0 https://github.com/ultralytics/yolov5.git
git clone https://github.com/wang-xinyu/tensorrtx.git
// download https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
cp {tensorrtx}/yolov5/gen_wts.py {ultralytics}/yolov5
cd {ultralytics}/yolov5
python gen_wts.py -w yolov5s.pt -o yolov5s.wts
// a file 'yolov5s.wts' will be generated.2. build tensorrtx/yolov5 and run
cd {tensorrtx}/yolov5/
// update CLASS_NUM in yololayer.h if your model is trained on custom dataset
mkdir build
cd build
cp {ultralytics}/yolov5/yolov5s.wts {tensorrtx}/yolov5/build
cmake ..
make
sudo ./yolov5 -s [.wts] [.engine] [s/m/l/x/s6/m6/l6/x6 or c/c6 gd gw] // serialize model to plan file
sudo ./yolov5 -d [.engine] [image folder] // deserialize and run inference, the images in [image folder] will be processed.
// For example yolov5s
sudo ./yolov5 -s yolov5s.wts yolov5s.engine s
sudo ./yolov5 -d yolov5s.engine ../samples
// For example Custom model with depth_multiple=0.17, width_multiple=0.25 in yolov5.yaml
sudo ./yolov5 -s yolov5_custom.wts yolov5.engine c 0.17 0.25
sudo ./yolov5 -d yolov5.engine ../samples3. check the images generated, as follows. _zidane.jpg and _bus.jpg
4. optional, load and run the tensorrt model in python
// install python-tensorrt, pycuda, etc.
// ensure the yolov5s.engine and libmyplugins.so have been built
python yolov5_trt.py三．实际部署过程
1. 根据前面的第一点准备好所需要的三个文件，分别是：
① tensorrtx/yolov5（准备tensorrtx文件下的yolov5文件）
② yolov5s.pt
③ yolov5-5.0.zip解压为yolov5-5.0
2. 将yolov5s.pt文件放到yolov5-5.0/weights文件下，如：
3. 打开之前实现yolov5模型检查的虚拟环境（参考：第一大点的（２）/（３）/（４））
4. 将tenorrtx/yolov5/gen_wts.py复制到yolov5-5.0文件中，并运行下面的代码，生成yolov5s.wts
python gen_wts.py --weight weights/yolov5s.pt
5. 然后进入tensorrtx/yolov5进行如下操作：
mkdir build
cd build
cmake ..
make
可见这步执行完会生成一个yolov5的文件
6. 将上面第４点生成的yolov5s.wts文件复制到tensorrtx/yolov5/build
7. 执行下面代码生成引擎文件
sudo ./yolov5 -s yolov5s.wts yolov5s.engine s
8. 部署后测试
sudo ./yolov5 -d yolov5s.engine ../samples
9. 最后来对比一下是否加速了
选择3张待检测的图片，放在tensorrtx/yolov5/examples/下
用于检测的3张图片
① 首先是测试没有经过训练直接检测yolov5模型
直接检测yolov5_v5.0模型结果
000001.jpg ：91ms
bus.jpg ：90ms
zidane.jpg ：93ms
② TensorRT部署后的结果
TensorRT部署后检查结果
000001.jpg ：10ms
bus.jpg ：15ms
zidane.jpg ：12ms
000001.jpg部署后的图片
可见经过TensoRT部署后在检查时间上有所提升！
10. 训练
11. 训练后会得到一个best.pt模型，用这个模型再进行TensorRT部署结果又是如何？
过程与上面相同，结果如下：
000001.jpg ：10ms
bus.jpg ：10ms
zidane.jpg ：8ms
12. 最后关于yolov5_trt.py（可选，在 python 中加载并运行 tensorrt 模型）
这里要确保执行了前面的过程tensorrtx/yolov5/build/中有yolov5s.engine and libmyplugins.so
安装pycuda（大概十多分钟）
pip install pycuda# cd ../tensorrtx/yolov5
python yolov5_trt.py
input->['samples/zidane.jpg'], time->12.71ms, saving into output/
input->['samples/bus.jpg'], time->8.90ms, saving into output/
bus.jpg（output/）-->8.9ms