基于 TensorRT 的 C++ 高性能推理库。

🚀（2023.12.03）支持全景驾驶感知算法 YOLOPv2，Better、Faster、Stronger ！

🚀（2023.11.06）支持全景驾驶感知算法 YOLOP ！

🚀（2023.10.19）支持单目标跟踪 OSTrack、LightTrack ！单独的单目标跟踪仓库为 github

🚀（2023.10.09）支持目标检测算法 RT-DETR ！

🚀（2023.08.26）支持 PTQ 量化，Yolov5/7 QAT 量化！

🚀（2023.07.19）支持目标检测 Yolo 系列 5/X/7/8，多目标跟踪 Bytetrack。

• 支持全景驾驶感知 YOLOPv2，目标检测 RT-DETR，Yolo 5/X/7/8 ，多目标跟踪 Bytetrack，单目标跟踪 OSTrack、LightTrack；
• 预处理和后处理实现CUDA核函数，在 jetson 边缘端也能高性能推理；
• 封装Tensor、Infer，实现内存复用、CPU/GPU 内存自动拷贝、引擎上下文管理、输入输出绑定等；
• 推理过程实现生产者消费者模型，实现预处理和推理的并行化，进一步提升性能；
• 采用 RAII **+接口模式封装应用，使用安全、便捷。

本项目代码结构如下：apps 文件夹中存放着各个算法的实现代码，其中 app_xxx.cpp 是对应 xxx 算法的调用demo函数，每个算法彼此之间没有依赖，假如只需要使用yolopv2，可以将此文件夹下的其他算法全部删除，没有影响；trt_common 文件夹中包括了常用的cuda_tools，对TensorRT进行Tensor、Infer的封装，生产者消费者模型的封装；quant-tools 文件夹中是量化脚本，主要是yolov5/7；workspace 文件夹中存放编译好的可执行文件、engine等。

使用哪个算法就在 main.cpp 中调用哪个算法的demo函数。

.
├── apps
│   ├── yolo
│   └── yolop
│   ├── app_yolo.cpp
│   ├── app_yolop.cpp
│   ├── ...
├── trt_common
│   ├── cuda_tools.hpp
│   ├── trt_infer.hpp
│   ├── trt_tensor.hpp
│   └── ...
├── quant-tools
│   └── ...
├── workspace
│   └── ...
├── CMakeLists.txt
└── main.cpp

如果要进行您自己的算法部署，只需要在 apps 文件夹中新建您的算法文件夹，模仿其他算法中对 trt_infer/trt_tensor 等的使用即可。后续时间空闲较多的情况下会更新较为详细的用法。

1. install cuda/tensorrt/opencv

   reference

2. compile engine

   1. 下载 onnx 模型 google driver

   2. cd Linfer/workspace
      # 修改其中的onnx路径
      bash compile_engine.sh

3. build

   # 修改 CMakeLists.txt 中 cuda/tensorrt/opencv 为自己的路径
   cd Linfer
   mkdir build && cd build
   cmake .. && make -j4

4. run

   cd Linfer/workspace
   ./pro

在 Jetson Orin Nano 8G 上进行测试，测试包括整个流程（图像预处理+模型推理+后处理解码）

• tensorRT_Pro
• Video：详解TensorRT的C++/Python高性能部署，实战应用到项目