前言

前段时间研究了Pytorch的环境配置，之后便从github上下载了yolov5的源码，并在自己的电脑端配置好对应的环境并运行，最后发现生成的权重文件yolov5s.pt不仅可以通过量化压缩成onxx模型，而且还可以使用TensorRT推理加速生成engine模型，这对使得模型部署在移动端具有很大的优势，于是便尝试着在自己的电脑上通过TensorRT部署yolov5模型。现在网上有很多可以参考的博客，但大多数都是针对某一个环节进行了仔细的解释说明，这在前期的学习中不免会让人产生云里雾里的感觉，难以从一个全局的角度去看待这个问题，换句话说就是很少有把整个流程先总结下来，先让我们知道需要那些模块，该准备些什么模块，以及这些模块之间又有什么样的联系，然后再细分到各个小模块去说明解释。所以今天就从这个角度去发出，总结一下最近学习的一些内容。在此之前假设你已经掌握了Pytorch、CUDA、cuDNN的基础知识以及配置好了yolov5的环境并调试运行过源码

注:如果还没有掌握上述基础知识，可以参考另外两篇博文 1. 2.

首先整个过程分为以下7个步骤（模块）：

step 1. 下载yolov5源码以及tensorrtx源码，并将yolov5s.pt转为.wts模型。- step 2. 确定并下载自己准备使用的CUDA版本。- step 3. 根据自己的CUDA版本下载对应版本的cuDNN以及TensorRT- step 4. 根据自己使用的VS版本下载对应版本的OpenCV- step 5. 安装CUDA - step 6. 安装cuDNN、TensorRT以及验证TensorRT是否安装成功- step 7. 下载Cmake软件，利用Cmake软件编译生成yolov5的VS工程，测试并完成推理下面将从这个7个步骤，逐步进行解释，首先贴出我的环境：
系统 : WIN 10- cuda_10.2.89_441.22_win10- cudnn-10.2-windows10-x64-v8.1.1.33- TensorRT-7.0.0.11.Windows10.x86_64.cuda-10.2.cudnn7.6- OpenCV 3.4.3- CMake 3.9.16代码版本：
yolov5 3.0- tensorrtx 3.0

git clone -b v3.0 https://github.com/ultralytics/yolov5.git
git clone -b yolov5-v3.0 https://github.com/wang-xinyu/tensorrtx.git

这里不得不说一下wang-xinyu的工作实在是太赞了！源码地址点

step 1. 下载yolov5源码以及tensorrtx源码，并将yolov5s.pt转为.wts模型

将tensorrtx源码中的gen_wts.py复制到yolov5源码中并运行，生成.wts模型。

step 2. 确定并下载自己准备使用的CUDA版本。

略网址：

step 3. 根据自己的CUDA版本下载对应版本的cuDNN以及TensorRT

略网址：

step 4. 根据自己使用的VS版本下载对应版本的OpenCV

略

step 5. 安装CUDA

安装cuda这里解答几点疑惑

安装直接默认即可，不用设置不同的路径，设置相同路径不会互相影响。- 一台电脑安装可以安装多个cuda版本，且不同版本之间不会覆盖- 不同版本的cuda之间的切换，只需将环境变量的路径置前即可。我这里安装了两个cuda版本，所以有两个文件夹

step 6. 安装cuDNN、TensorRT以及验证TensorRT是否安装成功

1. 安装cuDNN

1 将cuDNN压缩包解压- 2 将cuda\bin中的文件复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin- 3 将cuda\include中的文件复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include- 4 将cuda\lib中的文件复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib4步完成cuDNN安装

2. 安装TensorRT

1 将TensorRT压缩包解压- 2 将 TensorRT-7.0.0.11\include中头文件复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include- 3 将TensorRT-7.0.0.11\lib 中所有lib文件复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64- 4 将TensorRT-7.0.0.11\lib 中所有dll文件复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
4步完成TensorRT安装

3. 验证TensorRT是否安装成功

1-用VS2015 打开 TensorRT-7.0.0.11\samples\sampleMNIST\sample_mnist.sln- 2- 在VS2015中，右键工程，选择属性->配置属性->常规->目标平台版本->8.1- 3- 在VS2015中，右键工程，选择属性->配置属性->常规->平台工具集->vs2015(v140)- 4- 右键工程->重新生成- 5- 用anaconda 进入TensorRT-7.0.0.11\data\mnist 目录，运行python download_pgms.py- 6- 进入TensorRT-7.0.0.11\bin，双击sample_mnist.exe，如果没有报错则说配置成功。

第6步运行出现如下结果，则说明配置成功注：如果提示没有.pgm文件，则检查第5步是否下载了数据

step 7. 下载Cmake软件，利用Cmake软件编译生成yolov5的VS工程，测试并完成推理

1. 下载Cmake软件略 2. 配置OpenCV环境变量

1-新建一个系统变量OpenCV_DIR- 2- 在系统变量Path中添加OpenCV343路径

3. 修改tensorrtx/yolov5/CMakeLists.txt文件中的OpenCV和TensorRT路径

注：CMakeLists.txt为生成VS工程的配置文件，源码为作者的路径，需要设置成自己的路径，主要是 OpenCV和TensorRT的路径

4. 利用Cmake软件编译生成yolov5的VS工程

1- 打开CMake- 2- source code 为源码的路径 build the binaries 为生成的VS工程的路径- 3- 路径设置完成后，点击左下方 Configure，然后选择VS的版本以及x64平台- 4- 点击Generate生成项目注：配置时出现这样红色的警告忽略注：最后一步生成报错也忽略，然后打开工程

5. 打开yolov5的VS工程，生成engine模型

1- 在刚刚设置的build the binaries 路径下，打开yolov5的工程- 2- 编译生成- 3- 可以看到在\tensorrtx\yolov5\build\Debug文件下生成了一个yolov5.exe文件- 4- cmd进入到\tensorrtx\yolov5\build\Debug目录下，然后执行yolov5.exe -s 命令, 可以看到在当前目录下生成了一个yolov5.engine文件，说明转换成功。- 5- 在\tensorrtx\yolov5\build\Debug目录下新建一个samples文件夹然后放入测试图片，最好通过cmd执行yolov5.exe -d ../samples，调用yolov5.engine进行测试

最后打个广告，点个赞再走！

总结

在中间的过程中可能会出现以下问题：

找不到dll，请检测自己的cuDNN，和TensorRT是否安装成功。- 如果有Assertion failed: engine != nullptr错误，请检查自己的TensorRT版本是否匹配。- 如果CMake生成的yolov5的VS工程编译不通过，请检查自己的cuda, cuDNN, 以及TensorRT的版本。

yolov5部署之七步完成tensorRT模型推理加速

前言