WIN11+CUAD11.2+vs2019+tensorTR8.6+Yolov3/4/5模型加速

现在我的电脑已经安装配置 CUDA11.2,,cudnn11.2,vs2019.

他们的安装方法可以参考我的博客如下：

(105条消息) 2022最详细，最新的 Win11/WIN10 安装CUDA11.2和cuDNN（必坑之作）完美教程_Vertira的博客-CSDN博客_cuda11.2

(105条消息) win11+显卡驱动+CUDA+CUDNN对应版本安装_Vertira的博客-CSDN博客 

我这里从TensorRT下载开始

官网下载地址：

NVIDIA TensorRT 8.x Download | NVIDIA Developer

先注册会员下载 。

下载window10版本，win11 应该能用，支持CUDA11.1,11.2,11.3,11.4,,11.5,11.6

 

 下载完后，

 然后放到指定的位置解压 ，下面就是解压。

 需要的文件都有。

这里只写C++部署，python部署这里忽略

下面就要配置一下，和配置opencv 有点相同，也有点不同

 1）把这个路径添加到系统环境变量中，

2）复制lib目录下的dll文件到cuda的bin下。

 1) 环境变量：系统的path ，如下

 

2）找到自己安装的CUDA路径

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin [根据自己的cuda安装路径即可]

 

4 安装uff和graphsurgeon

打开conda的虚拟环境 ,分别cd 到 graphsurgeon，uf 的文件夹在，分别执行下面两个命令

pip install graphsurgeon-0.4.6-py2.py3-none-any.whl
pip install uff-0.6.9-py2.py3-none-any.whl

文件名称要正确

5 VS 2019配置TensorRT并测试
找到sample_mnist.sln，用vs2019打开

 

 

配置一下tensorRT，和配置opencv雷同，

首先，VC++目录，包含目录（就是include文件夹），库目录，就是刚才的lib所在文件夹

 添加依赖项

然后

 为了防止后面执行exe操作闪退，添加getchar()到main函数下（不加会有卡顿，亲测）

 编译成功后，会在 TensorRT8.4\TensorRT-8.4.3.1\bin路径下生成文件sample_mnist.exe

这是一个可执行文件。

 

测试数据（运行图中的py文件）

 

 运行，双击bin文件夹下的sample_mnist.exe

&&&& RUNNING TensorRT.sample_mnist [TensorRT v8403] # D:\******\TensorRT8.4\TensorRT-8.4.3.1\bin\sample_mnist.exe
[10/29/2022-22:51:36] [I] Building and running a GPU inference engine for MNIST
[10/29/2022-22:51:38] [I] [TRT] [MemUsageChange] Init CUDA: CPU +385, GPU +0, now: CPU 10713, GPU 1132 (MiB)
[10/29/2022-22:51:39] [I] [TRT] [MemUsageChange] Init builder kernel library: CPU +335, GPU +104, now: CPU 11240, GPU 1236 (MiB)
[10/29/2022-22:51:40] [W] [TRT] The implicit batch dimension mode has been deprecated. Please create the network with NetworkDefinitionCreationFlag::kEXPLICIT_BATCH flag whenever possible.
[10/29/2022-22:51:44] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +690, GPU +272, now: CPU 11803, GPU 1508 (MiB)
[10/29/2022-22:51:48] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +461, GPU +264, now: CPU 12264, GPU 1772 (MiB)
[10/29/2022-22:51:48] [W] [TRT] TensorRT was linked against cuDNN 8.4.1 but loaded cuDNN 8.2.1
[10/29/2022-22:51:48] [I] [TRT] Local timing cache in use. Profiling results in this builder pass will not be stored.
[10/29/2022-22:52:04] [I] [TRT] Detected 1 inputs and 1 output network tensors.
[10/29/2022-22:52:04] [I] [TRT] Total Host Persistent Memory: 9136
[10/29/2022-22:52:04] [I] [TRT] Total Device Persistent Memory: 0
[10/29/2022-22:52:04] [I] [TRT] Total Scratch Memory: 0
[10/29/2022-22:52:04] [I] [TRT] [MemUsageStats] Peak memory usage of TRT CPU/GPU memory allocators: CPU 0 MiB, GPU 0 MiB
[10/29/2022-22:52:04] [I] [TRT] [BlockAssignment] Algorithm ShiftNTopDown took 0.0454ms to assign 3 blocks to 10 nodes requiring 92164 bytes.
[10/29/2022-22:52:04] [I] [TRT] Total Activation Memory: 92164
[10/29/2022-22:52:04] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in building engine: CPU +0, GPU +0, now: CPU 0, GPU 0 (MiB)
[10/29/2022-22:52:04] [I] [TRT] [MemUsageChange] Init CUDA: CPU +0, GPU +0, now: CPU 12669, GPU 1894 (MiB)
[10/29/2022-22:52:04] [I] [TRT] Loaded engine size: 1 MiB
[10/29/2022-22:52:04] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +0, now: CPU 0, GPU 0 (MiB)
[10/29/2022-22:52:04] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +0, now: CPU 0, GPU 0 (MiB)
[10/29/2022-22:52:04] [I] Input:
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@.*@@@@@@@@@@
@@@@@@@@@@@@@@@@.=@@@@@@@@@@
@@@@@@@@@@@@+@@@.=@@@@@@@@@@
@@@@@@@@@@@% #@@.=@@@@@@@@@@
@@@@@@@@@@@% #@@.=@@@@@@@@@@
@@@@@@@@@@@+ *@@:-@@@@@@@@@@
@@@@@@@@@@@= *@@= @@@@@@@@@@
@@@@@@@@@@@. #@@= @@@@@@@@@@
@@@@@@@@@@=  =++.-@@@@@@@@@@
@@@@@@@@@@       =@@@@@@@@@@
@@@@@@@@@@  :*## =@@@@@@@@@@
@@@@@@@@@@:*@@@% =@@@@@@@@@@
@@@@@@@@@@@@@@@% =@@@@@@@@@@
@@@@@@@@@@@@@@@# =@@@@@@@@@@
@@@@@@@@@@@@@@@# =@@@@@@@@@@
@@@@@@@@@@@@@@@* *@@@@@@@@@@
@@@@@@@@@@@@@@@= #@@@@@@@@@@
@@@@@@@@@@@@@@@= #@@@@@@@@@@
@@@@@@@@@@@@@@@=.@@@@@@@@@@@
@@@@@@@@@@@@@@@++@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@

[10/29/2022-22:52:04] [I] Output:
0:
1:
2:
3:
4: **********
5:
6:
7:
8:
9:

到这里 看出只能证明 cuda,cudnn,cpu ，tensorRT配置成功（但是没有配置opencv，我没有配置，如果你要部署YOLO，opencv是必不可少的）。

测试一个项目：

我查了一下我的GPU的算力，后面会用到。

W0708 10:08:38.641642 17232 gpu_context.cc:278] Please NOTE: device: 0, GPU Compute Capability: 8.6, Driver API Version: 11.6, Runtime API Version: 11.2
W0708 10:08:38.688902 17232 gpu_context.cc:306] device: 0, cuDNN Version: 8.2.

我的GPU的算例是 8.2

项目地址：tensorrt跨平台部署

也就是下面这个地址。
mirrors / enazoe / yolo-tensorrt · GitCodehttps://gitcode.net/mirrors/enazoe/yolo-tensorrt?utm_source=csdn_github_accelerator

把这个项目下载下来

vs2019打开，和上面的一样，唯一的区别是  还需要配置opencv，感觉版本高点好opencv4.x应该可以。

 这个opencv3.x，4.x配置方法，网上多的是。这里我简化了。

1）配置好TensorRT,

2）配置opencv

 

 

修改算力值，这个要根据显卡支持的算力来改，我的3060算力8.2

 c++17报错解决

 在右键属性配置种把test编译成exe ，detect编译成动态库，然后把test设成启动项

 

 

如何把Ubuntu训练的模型 放在电脑上部署  我还在研究，会陆续更新进展

 参考：基于TensorRT的YOLO（V3\4\5）模型部署