本示例中,包含完整的代码、模型、测试图片、测试结果。
TensorRT版本:TensorRT-8.2.1.8,(最早使用TensorRT-7.1.3.4 运行报错,使用TensorRT-8.2.1.8运行结果正常)。
由于模型较大无法直接上传,onnx和tensorrt 模型文件,模型存储链接。
修改 CMakeLists.txt 对应的TensorRT位置
cd DETR_tensorRT_Cplusplus
mkdir build
cd build
cmake ..
make
# 运行时如果.trt模型存在则直接加载,若不存会自动先将onnx转换成 trt 模型,并存在给定的位置,然后运行推理。
cd build
./detr_trt
onnx 测试效果
tensorRT 测试效果
tensorRT 时耗
使用的显卡 Tesla V100、cuda_11.0
1)导出的onnx模型建议simplify后,修改Gather层后再转trt模型。
2)注意修改后处理相关 postprocess.hpp 中相关的类别参数。
修改相关的路径
std::string OnnxFile = "/zhangqian/workspaces1/TensorRT/detr_trt_Cplusplus/models/detr_r50_person_sim_change.onnx";
std::string SaveTrtFilePath = "/zhangqian/workspaces1/TensorRT/detr_trt_Cplusplus/models/detr_r50_person_sim_change.trt";
cv::Mat SrcImage = cv::imread("/zhangqian/workspaces1/TensorRT/detr_trt_Cplusplus/images/test.jpg");
int img_width = SrcImage.cols;
int img_height = SrcImage.rows;
CNN DETR(OnnxFile, SaveTrtFilePath, 1, 3, 640, 640, 3); // 1, 3, 640, 640, 3 前四个为模型输入的NCWH, 3为模型输出叶子节点的个数+1,(本示例中的onnx模型输出有2个叶子节点,再+1=7)
DETR.ModelInit();
DETR.Inference(SrcImage);
for (int i = 0; i < DETR.DetectiontRects_.size(); i += 6)
{
int classId = int(DETR.DetectiontRects_[i + 0]);
float conf = DETR.DetectiontRects_[i + 1];
int xmin = int(DETR.DetectiontRects_[i + 2] * float(img_width) + 0.5);
int ymin = int(DETR.DetectiontRects_[i + 3] * float(img_height) + 0.5);
int xmax = int(DETR.DetectiontRects_[i + 4] * float(img_width) + 0.5);
int ymax = int(DETR.DetectiontRects_[i + 5] * float(img_height) + 0.5);
char text1[256];
sprintf(text1, "%d:%.2f", classId, conf);
rectangle(SrcImage, cv::Point(xmin, ymin), cv::Point(xmax, ymax), cv::Scalar(255, 0, 0), 2);
putText(SrcImage, text1, cv::Point(xmin, ymin + 15), cv::FONT_HERSHEY_SIMPLEX, 0.7, cv::Scalar(0, 0, 255), 2);
}
imwrite("/zhangqian/workspaces1/TensorRT/detr_trt_Cplusplus/images/result.jpg", SrcImage);
printf("== obj: %d \n", int(float(DETR.DetectiontRects_.size()) / 6.0));
本示例只是用来测试流程,模型效果并不保证,且代码整理的布局合理性没有做过多的考虑。本示例提供的模型只检测行人,由于训练的时类别写成了3,因此模型输出结果只有第二类是有效的。