B站教学视频
https://www.bilibili.com/video/BV1q34y1n7Bw/
Github仓库地址
https://github.com/Monday-Leo/YOLOv7_Tensorrt
Introduction
YOLOv7是YOLOv4的原班人马(Alexey Bochkovskiy在内)创造的目标检测模型，在保证精度的同时大幅降低了参数量，本仓库实现YOLOv7的tensorrt部署。
Environment
- Tensorrt 8.4.1.5
- Cuda 10.2 Cudnn 8.4.1
- onnx 1.12.0
- onnx-simplifier 0.3.10
- Torch 1.7.1
Benchmark
| Model | Size | mAPtest 0.5:0.95 | GTX1650 FP16(ms) | GTX1650 FP32(ms) |
|---|---|---|---|---|
| YOLOv7-tiny | 640 | 38.7 | 8.7 | 11.6 |
| YOLOv7 | 640 | 51.4 | 27.2 | 47.5 |
| YOLOv7-X | 640 | 53.1 | 44.2 | 82.9 |
说明：此处FP16,fp32预测时间包含preprocess+inference+nms，测速方法为warmup10次，预测100次取平均值，并未使用trtexec测速，与官方测速不同；mAPval为原始模型精度，转换后精度未测试。
Quick Start
下载YOLOv7仓库。
git clone https://github.com/WongKinYiu/yolov7
将本仓库的EfficientNMS.py和export_onnx.py复制到yolov7下，导出含有EfficientNMS的ONNX模型。
python export_onnx.py --weights ./weights/yolov7.pt
将生成的onnx模型复制到tensorrt/bin文件夹下，使用官方trtexec转化添加完EfficientNMS的onnx模型。FP32预测删除--fp16参数即可。
trtexec --onnx=./yolov7.onnx --saveEngine=./yolov7_fp16.engine --fp16 --workspace=200
等待生成序列化模型后，修改本仓库infer.py模型路径和图片路径。
trt_engine = TRT_engine("./trt_model/yolov7_fp16.engine")
img1 = cv2.imread("./pictures/zidane.jpg")
python infer.py
Reference
https://github.com/WongKinYiu/yolov7
https://github.com/ultralytics/yolov5