【推理加速】TensorRT C++ 部署YOLO11全系模型

最新推荐文章于 2025-06-19 17:57:48 发布

原创最新推荐文章于 2025-06-19 17:57:48 发布 · 893 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#c++ #开发语言

YOLO11

YOLO11 C++推理YOLO11是Ultralytics最新发布的目标检测、实例分割、姿态评估的系列模型视觉轻量化框架，基于前代YOLO8版本进行了多项改进和优化。YOLO11在特征提取、效率和速度、准确性以及环境适应性方面都有显著提升，达到SOTA。

TensorRT C++ SDK

最新版本的TensorRT10.x版本已经修改了推理的接口函数与查询输入输出层的函数，其中以YOLO11对象检测为例，获取输入与输出层维度查询代码如下：

// 获取输入与输出维度
auto inputDims = this->engine->getTensorShape("images");
auto outDims = this->engine->getTensorShape("output0");

// 获取输入维度信息
this->input_h = inputDims.d[2];
this->input_w = inputDims.d[3];
printf("inputH : %d, inputW: %d \n", this->input_h, this->input_w);

// 获取输出维度信息
this->output_h = outDims.d[1];
this->output_w = outDims.d[2];
std::cout << "out data format: " << this->output_h << "x" << this->output_w << std::endl;

推理的API函数已经更新直接输入GPU缓存数据，代码如下：

cv::Mat blob = cv::dnn::blobFromImage(image, 1 / 255.0, cv::Size(this->input_w, this->input_h), cv::Scalar(0, 0, 0), true, false);
cudaMemcpyAsync(buffers[0], blob.ptr<float>(), 3 * this->input_h * this->input_w * sizeof(float), cudaMemcpyHostToDevice, stream);
// 推理
context->executeV2(buffers);

其中buffers为GPU数据缓存。

YOLO11对象检测 + TensorRT10.8推理演示：
在这里插入图片描述

YOLO11实例分割 + TensorRT10.8推理演示：
在这里插入图片描述

YOLO11姿态评估 + TensorRT10.8推理演示：
在这里插入图片描述
上述代码我均已经完成C++的封装，SDK 三行代码即可客户端调用，调用演示的代码如下：

# include <tensorrt_yolo11_pose.h>
#include <iostream>
#include <fstream>

int main(int argc, char** argv) {
	std::shared_ptr<YOLO11TRTPose> detector(new YOLO11TRTPose());
	detector->initConfig("D:/python/yolov5-7.0/yolo11n-pose.engine", 0.25f);
	//cv::Mat frame = cv::imread("D:/boogup.jpg");
	//detector->detect(frame);
	//cv::imshow("YOLO11姿态评估 + TensorRT10.8 - OpenCV学堂", frame);
	//cv::waitKey(0);
	//cv::destroyAllWindows();
	cv::VideoCapture capture("D:/images/video/dance.mp4");
	cv::Mat frame;
	std::vector<DetectResult> results;
	while (true) {
		bool ret = capture.read(frame);
		if (frame.empty()) {
			break;
		}
		detector->detect(frame);
		cv::imshow("YOLO12姿态评估 + TensorRT10.8 - OpenCV学堂", frame);
		char c = cv::waitKey(1);
		if (c == 27) { // ESC 退出
			break;
		}
	}
	cv::waitKey(0);
	cv::destroyAllWindows();
	return 0;
}

源码获取

掌握TensorRT10.8 C++如何部署图像分类，对象检测，实例分割，语义分割主流模型，自定义脚本一键INT8量化模型，使用OpenCV CUDA加速图像预处理等各种工程化部署推理技巧，实现推理部署的工程化封装支持，客户端三行代码即可调用,支持YOLOv5~YOLO12系列模型一键集成部署与量化！全部解锁上述技能与源码获取，点击这里