Qt+CUDA+TensorRT:基于Qt+CUDA+TRT+WIN10的图像分类

之前在写CUDA程序，TRT程序大多是基于VS上，比如之前写的很多程序都是基于vs2019,在windows上大家可以很快乐的在vs上进行配置，还可以快乐的使用界面，但是在linux上没有vs了，可以使用cmake去编译一些，但是对于有些同学可能不太适应，linux上用到最多的可能就是Qt了，毕竟跨平台。那么接下来我们讲解如何在QT里面如何使用CUDA+TensorRT+OpenCV。

目录

1、环境配置

2、ResNet18图像分类

2.1、数据准备

2.2、模型搭建 

2.3、训练

 3、基于Qt+CUDA+TensorRT的部署

3.1 pro文件

3.2 main.cpp

3.3 结果

---

1、环境配置

环境：QT5.9 + CUDA10.2 + TensorRT7.0 + OpenCV4.0

2、ResNet18图像分类

ResNet是一种基于跳跃连接的深度残差网络算法。根据该算法提出了18层、34层、50层、101层、152层的ResNet-18、ResNet-34、ResNet-50、ResNet-101和、ResNet-152等模型，甚至成功训练出层数达到1202层的超深的神经网络结构。

实际中，单纯的增加网络的深度，网络会变得越来越难训练，而且精度会达到饱和，这主要是由于两种问题造成的：1、梯度弥散/爆炸现象；2、退化问题