tensorRT 配置

[SSJIACV]

多谢大佬的详细教程！
我想问一下这个项目下的tensorRT文件夹 是已经包括了 tensorRT推理时 所需要的库了么，不需要自己再另行下载了吧？

[SSJIACV]

还有就是最后的tensorRT 推理 问题解决了么

[DataXujing]

包含了必要的库。关于错误的解决办法，可以参考：linghu8812/tensorrt_inference#12,应该是解决了，我没有尝试

[SSJIACV]

包含了必要的库。关于错误的解决办法，可以参考：linghu8812/tensorrt_inference#12,应该是解决了，我没有尝试

多谢了

[SSJIACV]

包含了必要的库。关于错误的解决办法，可以参考：linghu8812/tensorrt_inference#12,应该是解决了，我没有尝试

还有个问题，问您一下，这个mish激活函数(编译Mish_cuda)和预训练模型是什么关系啊，编译不成功，就无法使用 @WongKinYiu 开源的预训练模型么？

我训练efficient-d7的时候，显存11G，网络输入分辨率896的情况下，batchsize=1 才能勉强开始训练
你训yolov5-p7的时候，网络输入分辨率896的batchsize设为4，才能开始训练，请问你的v100是32G显存么？
网络输入分辨率 和 网络depth 、感受野都是对应的吧，如果训练yolov5-p7，但是用分辨率896，性能会不会下降很多啊？

[DataXujing]

作者用的是Mish-cuda, 在编译的时候把该方法重命名成mc了，所以无法使用预训练模型，尽量编译Mish-cuda，我曾问过作者我这种实现会不会有其他影响，作者的回复是主要的影响还是Mish-cuda的显存优化和运算速度快.

我用的是32G的V100,识别精度肯定会受影响，因为YOLOv4-P7的anchor尺寸比较大， P6和P7的网络分支对原图的缩放比较严重，如果Input分辨率太小，就相当于YOLOv4-p7的 P6和P7分支基本不起作用了。尽量用大分辨率。

感觉YOLOv4-P7之所以精度高策略还是不断的从横向和纵向上搭建更大的网络，并且不断的提高Input的分辨率。YOLOv4-P7的推断速度也不是很快，在V100上我饿测试是大约FPS为6。

[WongKinYiu]

mish-cuda 裝不起來的話也可以把
https://github.com/DataXujing/ScaledYOLOv4/blob/main/models/common.py#L44
https://github.com/DataXujing/ScaledYOLOv4/blob/main/models/common.py#L76
https://github.com/DataXujing/ScaledYOLOv4/blob/main/models/common.py#L94
https://github.com/DataXujing/ScaledYOLOv4/blob/main/models/common.py#L147
的 Mish() 換成 nn.LeakyReLU(0.1, inplace=True)
COCO 準度差個 1% 左右, 訓練 batch 能開大可以省不少時間

據說 nn.SiLU(inplace=True) 也不錯, 不過我沒實際測試過

[SSJIACV]

多谢两位的详细回复！