【B站保姆级视频教程：Jetson配置YOLOv11环境（九）TensorRT导出参数详解】

已于 2025-02-08 17:01:03 修改
阅读量1.7k 收藏 42
点赞数 20
CC 4.0 BY-SA版权
分类专栏： 【B站保姆级视频教程：Jetson配置YOLOv11环境】 文章标签： YOLO Jetson TensorRT
于 2025-02-07 22:52:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/python_yjys/article/details/145501932

Jetson配置YOLOv11环境（9）TensorRT导出参数详解

文章目录

0. TensorRT 导出参数简介

ultralytics官方导出参数简介

论据类型默认值说明
formatstrengine导出模型的目标格式，定义与各种部署环境的兼容性。
imgszint 或 tuple640模型输入所需的图像尺寸。对于正方形图像，可以是一个整数，或者是一个元组 (height, width) 了解具体尺寸。
halfboolFalse启用 FP16（半精度）量化，在支持的硬件上减小模型大小并可能加快推理速度。
int8boolFalse激活 INT8 量化，进一步压缩模型并加快推理速度，同时将精度损失降至最低，主要用于边缘设备。
dynamicboolFalse允许动态输入尺寸，提高了处理不同图像尺寸的灵活性。
simplifyboolTrue简化模型图 onnxslim这可能会提高性能和兼容性。
workspacefloat 或 NoneNone为TensorRT 优化设置最大工作区大小（GiB），以平衡内存使用和性能；使用 None TensorRT 进行自动分配，最高可达设备最大值。
nmsboolFalse增加了非最大值抑制 (NMS)，这对精确高效的检测后处理至关重要。
batchint1指定导出模型的批量推理大小，或导出模型将同时处理的图像的最大数量。 predict 模式。
datastrcoco8.yaml通往 数据集 配置文件（默认： coco8.yaml)，对量化至关

1. TensorRT 导出参数设置

1.1 [imgsz参数]

imgsz=(height, width) ：设置与相机输入分辨率一致的推理尺寸。以imgsz=480,640为例：

1.1.1 导出

yolo export model=yolo11n.pt format=engine imgsz=480,640

导出完成

TensorRT: export success ✅ 354.2s, saved as 'yolo11n.engine' (12.7 MB)

Export complete (364.2s)
Results saved to /home/nx/Desktop/yolov11/ultralytics-main
Predict:         yolo predict task=detect model=yolo11n.engine imgsz=480,640  
Validate:        yolo val task=detect model=yolo11n.engine imgsz=480,640 data=/usr/src/ultralytics/ultralytics/cfg/datasets/coco.yaml  WARNING ⚠️ non-PyTorch val requires square images, 'imgsz=[480, 640]' will not work. Use export 'imgsz=640' if val is required.
Visualize:       https://netron.app
💡 Learn more at https://docs.ultralytics.com/modes/export

1.1.2 推理

yolo predict task=detect model=weights/imgsz_480x640/yolo11n.engine imgsz=480,640 source=videos/街道.mp4

实测结果：13.0ms

(pytorch) nx@nx-desktop:~/Desktop/yolov11/ultralytics-main$ yolo predict task=detect model=weights/imgsz_480x640/yolo11n.engine imgsz=480,640 source=videos/街道.mp4
Ultralytics 8.3.70 🚀 Python-3.8.20 torch-2.1.0a0+41361538.nv23.06 CUDA:0 (Xavier, 6833MiB)
Loading weights/imgsz_480x640/yolo11n.engine for TensorRT inference...
[02/07/2025-20:33:59] [TRT] [I] Loaded engine size: 12 MiB
[02/07/2025-20:34:06] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +343, GPU +323, now: CPU 691, GPU 3017 (MiB)
[02/07/2025-20:34:06] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +12, now: CPU 0, GPU 12 (MiB)
[02/07/2025-20:34:06] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +0, GPU +0, now: CPU 678, GPU 3017 (MiB)
[02/07/2025-20:34:06] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +15, now: CPU 0, GPU 27 (MiB)

video 1/1 (frame 1/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 12.9ms
video 1/1 (frame 2/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.1ms
video 1/1 (frame 3/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 4/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 5/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 6/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.1ms
video 1/1 (frame 7/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 8/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.1ms
video 1/1 (frame 9/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 10/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms
video 1/1 (frame 11/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 13.0ms

1.2 [half参数]

half=True：启用 FP16（半精度）量化，在支持的硬件上减小模型大小并可能加快推理速度。

1.2.0 Int8 vs FP16

对推理速度无极致的要求时，建议选择fp16即可。以下是使用 JetPack 6.0 (L4T 36.3) Ubuntu 22.04.4 LTS 测试。

精度评估测试平均 (ms)min | max (ms)mAPval 50(B)mAPval 50-95(B)batch尺寸 （像素）
FP32Predict6.116.10 | 6.298640
FP32COCOval6.170.520.371640
FP16Predict3.183.18 | 3.208640
FP16COCOval3.190.520.371640
INT8Predict2.302.29 | 2.358640
INT8COCOval2.320.460.321640
  • FP16（半精度）：
    • 直接降低模型权重和激活值的精度（从FP32转为FP16），不涉及量化过程。
    • 无需校准数据集，仅需在TensorRT引擎构建时启用FP16模式，由TensorRT自动完成精度转换。
    • 优势：计算速度提升（GPU的FP16算力通常更高），显存占用减少约50%。
  • INT8（整数量化）：
    • 需要校准数据集（通常数百张代表性图片）统计激活值分布，生成动态范围校准表。
    • 必须通过校准器（如IInt8EntropyCalibrator2）完成量化，否则无法正确推理。
    • 优势：进一步加速推理（适用于对延迟敏感的场景），但可能引入精度损失。

1.2.1 导出

yolo export model=yolo11n.pt format=engine imgsz=480,640 half=True

导出完成

TensorRT: export success ✅ 1039.7s, saved as 'yolo11n.engine' (7.1 MB)

Export complete (1049.0s)
Results saved to /home/nx/Desktop/yolov11/ultralytics-main
Predict:         yolo predict task=detect model=yolo11n.engine imgsz=480,640 half 
Validate:        yolo val task=detect model=yolo11n.engine imgsz=480,640 data=/usr/src/ultralytics/ultralytics/cfg/datasets/coco.yaml half WARNING ⚠️ non-PyTorch val requires square images, 'imgsz=[480, 640]' will not work. Use export 'imgsz=640' if val is required.
Visualize:       https://netron.app
💡 Learn more at https://docs.ultralytics.com/modes/export

1.2.2 推理

yolo predict task=detect model=weights/half/yolo11n.engine imgsz=480,640 source=videos/街道.mp4

实测结果：7.3ms

(pytorch) nx@nx-desktop:~/Desktop/yolov11/ultralytics-main$ yolo predict task=detect model=weights/half/yolo11n.engine imgsz=480,640 source=videos/街道.mp4
Ultralytics 8.3.70 🚀 Python-3.8.20 torch-2.1.0a0+41361538.nv23.06 CUDA:0 (Xavier, 6833MiB)
Loading weights/half/yolo11n.engine for TensorRT inference...
[02/07/2025-21:08:12] [TRT] [I] Loaded engine size: 7 MiB
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +261, GPU +426, now: CPU 609, GPU 3185 (MiB)
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +82, GPU +151, now: CPU 691, GPU 3336 (MiB)
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +5, now: CPU 0, GPU 5 (MiB)
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +13, now: CPU 684, GPU 3333 (MiB)
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +0, GPU +4, now: CPU 684, GPU 3337 (MiB)
[02/07/2025-21:08:14] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +9, now: CPU 0, GPU 14 (MiB)

video 1/1 (frame 1/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 9.1ms
video 1/1 (frame 2/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 8.0ms
video 1/1 (frame 3/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 4/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 5/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.5ms
video 1/1 (frame 6/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 7/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 8/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 9/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 10/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 11/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.7ms
video 1/1 (frame 12/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 8.9ms
video 1/1 (frame 13/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 14/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 15/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 16/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 17/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 18/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 19/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms
video 1/1 (frame 20/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.4ms
video 1/1 (frame 21/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 7.3ms

1.3 [dla参数]

device="dla:0" 启用NVIDIA 深度学习加速器(Deep Learning Accelerator)。通过卸载GPU 的任务（将其释放给更密集的进程），DLA 可使模型以更低的功耗运行，同时保持高吞吐量（降速节能！）
注意：dla需配合FP16或INT8一起使用。

ultralytics官方：使用NVIDIA 深度学习加速器 (DLA)
在使用 DLA 导出时，某些层可能不支持在 DLA 上运行，而会回退到GPU 上执行。这种回退会带来额外的延迟，影响整体推理性能。因此，与完全在GPU 上运行的TensorRT 相比，DLA 的主要目的不是减少推理延迟，而是提高吞吐量和能效。

1.3.1 导出

yolo export model=yolo11n.pt format=engine imgsz=480,640 half=True device="dla:0"

导出完成

TensorRT: export success ✅ 119.3s, saved as 'yolo11n.engine' (7.3 MB)

Export complete (129.7s)
Results saved to /home/nx/Desktop/yolov11/ultralytics-main
Predict:         yolo predict task=detect model=yolo11n.engine imgsz=480,640 half 
Validate:        yolo val task=detect model=yolo11n.engine imgsz=480,640 data=/usr/src/ultralytics/ultralytics/cfg/datasets/coco.yaml half WARNING ⚠️ non-PyTorch val requires square images, 'imgsz=[480, 640]' will not work. Use export 'imgsz=640' if val is required.
Visualize:       https://netron.app
💡 Learn more at https://docs.ultralytics.com/modes/export

1.3.2 推理

yolo predict task=detect model=weights/dla/yolo11n.engine imgsz=480,640 source=videos/街道.mp4

实测结果：27.0ms

(pytorch) nx@nx-desktop:~/Desktop/yolov11/ultralytics-main$ yolo predict task=detect model=weights/dla/yolo11n.engine imgsz=480,640 source=videos/街道.mp4
Ultralytics 8.3.70 🚀 Python-3.8.20 torch-2.1.0a0+41361538.nv23.06 CUDA:0 (Xavier, 6833MiB)
Loading weights/dla/yolo11n.engine for TensorRT inference...
[02/07/2025-22:12:54] [TRT] [I] Loaded engine size: 7 MiB
[02/07/2025-22:12:56] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +261, GPU +425, now: CPU 606, GPU 3086 (MiB)
[02/07/2025-22:12:56] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +7, GPU +0, now: CPU 7, GPU 0 (MiB)
[02/07/2025-22:12:56] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +26, now: CPU 598, GPU 3112 (MiB)
[02/07/2025-22:12:56] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +35, now: CPU 7, GPU 35 (MiB)

video 1/1 (frame 1/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 27.8ms
video 1/1 (frame 2/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 28.0ms
video 1/1 (frame 3/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 27.5ms
video 1/1 (frame 4/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 27.8ms
video 1/1 (frame 5/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 27.9ms
video 1/1 (frame 6/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.3ms
video 1/1 (frame 7/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.3ms
video 1/1 (frame 8/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.4ms
video 1/1 (frame 9/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.4ms
video 1/1 (frame 10/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.3ms
video 1/1 (frame 11/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.3ms
video 1/1 (frame 12/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.5ms
video 1/1 (frame 13/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.9ms
video 1/1 (frame 14/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.8ms
video 1/1 (frame 15/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 26.9ms
video 1/1 (frame 16/601) /home/nx/Desktop/yolov11/ultralytics-main/videos/街道.mp4: 480x640 1 car, 27.0ms

1.3.3 结论

发现使用dla推理速度变慢了，但是能耗并没有显著的降低。

  1. 使用dla导出推理
    在这里插入图片描述
  2. 不使用dla导出推理
    在这里插入图片描述

2. 总结

追求推理速度与精度的平衡，导出参数可配置为：imgsz=相机输入分辨率，half=True

yolo export model=yolo11n.pt format=engine imgsz=480,640 half=True
jetson nano的yolov8的tensorrt加速部署
m0_49586319的博客
11-17 1969
yolov8在jetson nano平台的tensorrt部署，帧率到19帧。
导出 YOLOv11 模型的详细步骤和说明
old_power的博客
01-23 1220
YOLOv11 模型可以通过 Ultralytics 提供的接口轻松导出为多种格式，如 ONNX、TensorRT、CoreML 等。
YOLOv8推理详解及部署实现
热门推荐
周同学的博客
11-07 1万+
YOLOv8推理详解及部署实现
YOLOv11-TensorRT项目安装与配置指南
最新发布
gitblog_01068的博客
04-14 931
YOLOv11-TensorRT项目安装与配置指南 yolov11-tensorrt C++ implementation of YOLOv11 using TensorRT API 项目地址: https://gitcode.c...
YOLOv11-TensorRT 使用与配置指南
gitblog_00636的博客
04-14 449
YOLOv11-TensorRT 使用与配置指南 yolov11-tensorrt C++ implementation of YOLOv11 using TensorRT API 项目地址: https://gitcode.co...
目标检测算法——YOLOV11 快速使用教程
TigerZ*的博客
12-06 4587
主要记录使用NVIDIA GPU + pytorch + 检测系列模型的快速使用方式(包括：训练、测试、导出、量化)，可以快速解决一些工业应用的问题，比如：无网、数据大需要改路径、需要记录不同实验结果等问题。
Jetson NX 部署YOLOv11并使用tensorrt加速
qq_64403239的博客
02-28 1920
一.相关背景jetpack6.2 sdk 环境：CUDA版本：12.6.68CUDNN版本：9.3.0.75TensorRT版本：10.3.0.30VPI版本：3.2.4Vulkan版本：1.3.204OpenCV版本：4.8.0 with CUDA查看pytorch官网，确定cuda cudnn torch 等对应版本也可以手动下载whl后再安装（在对应环境中）创建conda环境二.主要参考yolov11官方文档，jetson 边缘计算部署采用本地部署的方式，先创建一个新环境。
Yolov11的TensorRT部署（C++版本）
qq_42322398的博客
10-29 3125
Yolov11的TensorRT部署（C++版本）
Jetson Nano配置指南（三）：YOLOv8/v11部署Python环境
zeng699304的博客
03-16 3332
本文将详细讲解在Jetson Nano上配置YOLOv8/v11开发环境的全流程，涵盖Python多版本管理、代码编辑器安装、虚拟环境搭建及模型部署优化等关键步骤。
YOLOv11导出onnx模型并使用C++调用
qq_51699436的博客
12-29 2125
YOLO（You Only Look Once）系列是目标检测领域中非常流行的一组算法，因其快速的推理速度和良好的检测精度而闻名。随着版本的不断迭代，YOLOv11引入了多项改进，使其成为处理复杂场景下物体检测任务的强大工具。然而，将YOLOv11应用于生产环境中，尤其是跨平台部署时，我们需要将其导出为一个通用的格式，如ONNX（Open Neural Network Exchange），以便在不同的框架和语言中使用。本文将介绍如何将YOLOv11导出为ONNX模型，并演示如何使用C++调用该模型进行推理。
B站保姆级视频教程：jeston配置yolov11
03-25
#### 二、B站相关保姆级教学视频推荐 虽然无法确切指出某一部专门讲解如何在 Jetson 设备上部署尚未存在的 YOLOv11 的视频，但以下是几类值得参考的学习材料方向： - “Jetson Nano 初学者指南系列”这类入门课程会...
YOLOv11实现并使用NVIDIA TensorRT进行优化的对象检测项目源码
11-15
YOLOv11 C++ TensorRT 项目是一个用C++实现并使用NVIDIA TensorRT进行优化的高性能对象检测解决方案。该项目利用 YOLOv11 模型提供快速准确的对象检测，并利用 TensorRT 最大限度地提高推理效率和性能。 主要特点： 模型转换：将 ONNX 模型转换为 TensorRT 引擎文件以加速推理。 视频推理：有效地对视频文件进行对象检测。 图像推理：对单个图像执行对象检测。 高效率：针对使用 NVIDIA GPU 的实时物体检测进行了优化。 使用 CUDA 进行预处理：支持 CUDA 的预处理，可实现更快的输入处理。 先决条件 CMake（版本 3.18 或更高版本） TensorRT（V8.6.1.6：用于使用 YOLOv11 进行优化推理。） CUDA 工具包（V11.7：用于 GPU 加速） OpenCV（V4.10.0：用于图像和视频处理） NVIDIA GPU（计算能力 7.5 或更高）
jetson nano csi摄像头 tensorrt 运行yolov8检测 项目代码
05-27
在本项目中，我们主要关注的是利用Jetson Nano开发板，通过CSI接口连接的摄像头，以及TensorRT优化的Yolov8模型进行目标检测。这是一个典型的嵌入式计算机视觉应用，涉及到了硬件平台、图像输入、深度学习模型优化...
Jetson Nano专用TensorRT8.2.3+ONNX Runtime GPU预编译包：JetPack4.6/YOLOv8/v11环境一键部署工具包
03-20
（1）提供tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl和onnxruntime_gpu-1.16.0-cp38-cp38-linux_aarch64.whl，严格匹配JetPack4.6（CUDA10.2+Python3.8）环境，规避手动编译耗时与依赖冲突问题‌。 （2）支持...
yolov11det-cpp-tensorrt推理流程讲解
HanWenKing的博客
11-07 1544
随着深度学习技术的不断发展，目标检测算法在计算机视觉领域扮演着越来越重要的角色。YOLO（You Only Look Once）系列算法因其高效、实时的特点，在目标检测领域备受关注。本文旨在帮助读者深入了解如何将YOLOv11det算法与TensorRT结合，实现高效的推理过程。本文将详细介绍YOLOv11det算法如何在C++环境下实现tensorrt推理流程。通过本文的学习，读者可以掌握YOLOv11det-cpp-tensorrt推理流程的核心技术，为实际应用提供有力支持。
从 YOLO11 模型格式导出到TF.js 模型格式 ，环境爬坑，依赖关系已经贴出来了
musk1212的博客
03-28 1193
提示：版本之前文章conda+jupyter 环境搭建PyTorch 2.6 cpu 环境搭建系统 ：ubuntu 22.0从 YOLO11 模型格式导出到TF.js 模型格式流程如下fill:#333;color:#333;color:#333;fill:none;提示：以下是本篇文章正文内容，下面案例可供参考。
YOLO11 目标检测 | 导出ONNX模型 | ONNX模型推理
黎国溥
10-17 1万+
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行任务的。用，便于算法到开发板或芯片的部署。备注：本文是使用Python，编写ONNX模型推理代码的。
YOLO11：TensorRT模型加速与部署
11-19
《YOLO11：TensorRT模型加速与部署》课程致力于帮助学生实战YOLO11目标检测算法的TensorRT加速部署。常心老师将手把手带领大家从0开始搭建YOLO11-TensorRT环境，带领大家排坑、避坑、填坑。本课程将进行环境搭建、模型转换模型加速等一系列演示，还会讲解TensorRT量化原理与源码解读。本次课程在ubuntu系统下进行演示。
TensorRT 部署 YOLOv8 目标检测、关键点检测、实例分割、目标跟踪
zi_y_uan的博客
05-30 1322
先把 YOLOv8 的目标检测、关键点检测、实例分割模型转为 ONNX 模型，再基于 TensorRT-v8，把 ONNX 模型转为 TensorRT 序列化模型文件，实现 TensorRT 部署 YOLOv8
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一只云卷云舒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值