Skip to main content

使用 TensorRT 在 NVIDIA Jetson 上部署 YOLOv8

本指南介绍了如何将 YOLOv8 模型部署到 NVIDIA Jetson 平台，并使用 TensorRT 进行推理。在这里，我们使用 TensorRT 来最大化 Jetson 平台上的推理性能。

本指南将介绍不同的计算机视觉任务，例如：

  • 目标检测
  • 图像分割
  • 图像分类
  • 姿态估计
  • 目标跟踪

前置条件​

  • Ubuntu 主机 PC（原生或使用 VMware Workstation Player 的虚拟机）
  • reComputer Jetson 或任何运行 JetPack 5.1.1 或更高版本的 NVIDIA Jetson 设备
note

本指南已在 reComputer J4012 和 reComputer Industrial J4012 上测试并验证，这些设备由 NVIDIA Jetson Orin NX 16GB 模块提供支持。

将 JetPack 刷写到 Jetson​

现在，您需要确保 Jetson 设备已刷写 JetPack 系统。您可以使用 NVIDIA SDK Manager 或命令行将 JetPack 刷写到设备上。

有关 Seeed Jetson 驱动设备的刷写指南，请参考以下链接：

note

请确保刷写 JetPack 版本 5.1.1，因为这是我们为本指南验证的版本。

一行代码将 YOLOv8 部署到 Jetson！​

在您使用 JetPack 刷写 Jetson 设备后，只需运行以下命令即可运行 YOLOv8 模型。这将首先下载并安装必要的软件包和依赖项，设置环境，并从 YOLOv8 下载预训练模型，以执行目标检测、图像分割、姿态估计和图像分类任务！

wget files.seeedstudio.com/YOLOv8-Jetson.py && python YOLOv8-Jetson.py
note

上述脚本的源代码可以在这里找到。

使用预训练模型​

使用 YOLOv8 的最快方式是使用 YOLOv8 提供的预训练模型。然而，这些是 PyTorch 模型，因此在 Jetson 上推理时只能使用 CPU。如果您希望在 Jetson 上运行这些模型时充分利用 GPU 的最佳性能，可以按照本 Wiki 的本节内容将 PyTorch 模型导出为 TensorRT。

YOLOv8 提供了 5 个用于目标检测的预训练 PyTorch 模型权重，这些模型在 COCO 数据集上以 640x640 的输入图像尺寸进行训练。您可以在下方找到它们：

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
A100 TensorRT
(毫秒)		参数
(百万)		FLOPs
(十亿)
YOLOv8n64037.380.40.993.28.7
YOLOv8s64044.9128.41.2011.228.6
YOLOv8m64050.2234.71.8325.978.9
YOLOv8l64052.9375.22.3943.7165.2
YOLOv8x64053.9479.13.5368.2257.8

参考文档: https://docs.ultralytics.com/tasks/detect

您可以从上表中选择并下载所需的模型，然后执行以下命令对图像进行推理：

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' show=True

在这里，您可以将 model 参数更改为 yolov8s.pt、yolov8m.pt、yolov8l.pt 或 yolov8x.pt，它将下载相应的预训练模型。

您还可以连接一个网络摄像头并执行以下命令：

yolo detect predict model=yolov8n.pt source='0' show=True
note

如果在执行上述命令时遇到任何错误，请尝试在命令末尾添加 "device=0"。

note

上述示例运行在 reComputer J4012/reComputer Industrial J4012 上，使用了 YOLOv8s 模型，该模型以 640x640 的输入尺寸进行训练，并使用了 TensorRT FP16 精度。

使用 TensorRT 提高推理速度​

如前所述，如果您希望在运行 YOLOv8 模型的 Jetson 上提高推理速度，首先需要将原始 PyTorch 模型转换为 TensorRT 模型。

按照以下步骤将 YOLOv8 PyTorch 模型转换为 TensorRT 模型。

note

这适用于我们之前提到的所有四种计算机视觉任务。

  • 步骤 1. 通过指定模型路径执行导出命令
yolo export model=<path_to_pt_file> format=engine device=0

例如：

yolo export model=yolov8n.pt format=engine device=0
note

如果遇到关于 cmake 的错误，可以忽略它。请耐心等待，直到 TensorRT 导出完成。这可能需要几分钟。

在创建 TensorRT 模型文件 (.engine) 后，您将看到如下输出：

  • 步骤 2. 如果您想传递其他参数，可以参考下表：
键值描述
imgsz640图像大小，标量或 (h, w) 列表，例如 (640, 480)
halfFalseFP16 量化
dynamicFalse动态轴
simplifyFalse简化模型
workspace4工作区大小 (GB)

例如，如果您想将 PyTorch 模型转换为 FP16 量化的 TensorRT 模型，请执行以下命令：

yolo export model=yolov8n.pt format=engine half=True device=0

一旦模型成功导出，您可以直接将此模型替换到 yolo 的 predict 命令中的 model= 参数，用于运行检测、分类、分割、姿态估计的所有四种任务。

例如，对于对象检测：

yolo detect predict model=yolov8n.engine source='0' show=True

使用您自己的 AI 模型​

数据收集与标注​

如果您有一个特定的 AI 应用，并希望使用适合该应用的自定义 AI 模型，您可以收集自己的数据集，对其进行标注，然后使用 YOLOv8 进行训练。

如果您不想自己收集数据，也可以选择现成的公共数据集。您可以下载许多公开可用的数据集，例如 COCO 数据集、Pascal VOC 数据集 等。Roboflow Universe 是一个推荐的平台，它提供了广泛的数据集，并且拥有 90,000+ 数据集和 66+ 百万张图像，可用于构建计算机视觉模型。此外，您还可以在 Google 上搜索开源数据集，并从中选择适合的数据集。

如果您有自己的数据集并希望对图像进行标注，我们推荐您使用 Roboflow 提供的标注工具。请参考 Wiki 的这一部分 了解更多信息。您还可以参考 Roboflow 的 这篇指南 了解标注的详细步骤。

模型训练​

这里我们提供了三种训练模型的方法：

  1. 第一种方法是使用 Ultralytics HUB。您可以轻松将 Roboflow 集成到 Ultralytics HUB 中，这样您的所有 Roboflow 项目都可以直接用于训练。Ultralytics HUB 提供了一个 Google Colab 笔记本，方便您快速开始训练过程，并实时查看训练进度。

  2. 第二种方法是使用我们创建的 Google Colab 工作区，以简化训练过程。在这里，我们使用 Roboflow API 从 Roboflow 项目中下载数据集。

  3. 第三种方法是使用本地 PC 进行训练。在这种情况下，您需要确保拥有足够强大的 GPU，并且需要手动下载数据集。

在这里，我们使用 Ultralytics HUB 加载 Roboflow 项目，然后在 Google Colab 上进行训练。

  • 步骤 1. 访问 此链接 并注册一个 Ultralytics 账户。

  • 步骤 2. 使用新创建的账户登录后，您将看到以下仪表板：

  • 步骤 3. 访问 此链接 并注册一个 Roboflow 账户。

  • 步骤 4. 使用新创建的账户登录后，您将看到以下仪表板：

  • 步骤 5. 创建一个新的工作区，并按照我们准备的 Wiki 指南 在工作区下创建一个新项目。您还可以参考 此处 了解更多来自 Roboflow 官方文档的信息。

  • 步骤 6. 当您的工作区中有几个项目后，它将如下所示：

  • 步骤 7. 转到 Settings 并点击 Roboflow API。
  • 步骤 8. 点击 复制 按钮以复制 Private API Key。
  • 步骤 9. 返回 Ultralytics HUB 仪表板，点击 Integrations，将之前复制的 API Key 粘贴到空白栏中，然后点击 Add。
  • 步骤 10. 如果您看到列出了您的工作区名称，则表示集成成功。
  • 步骤 11. 导航到 Datasets，您将在这里看到所有的 Roboflow 项目。
  • 步骤 12. 点击一个项目以查看更多关于数据集的信息。在这里，我选择了一个可以检测健康和受损苹果的数据集。
  • 步骤 13. 点击 Train Model。
  • 步骤 14. 选择 Architecture，设置一个 Model name（可选），然后点击 Continue。这里我们选择 YOLOv8s 作为模型架构。
  • 步骤 15. 在 Advanced options 下，根据您的偏好配置设置，复制 Colab 代码（稍后将粘贴到 Colab 工作区中），然后点击 Open Google Colab。
  • 步骤 16. 如果您尚未登录，请登录您的 Google 账户。
  • 步骤 17 导航到 Runtime > Change runtime type
  • 步骤 18 在 Hardware accelerator 下选择 GPU，在 GPU type 中选择最高可用选项，然后点击 Save
  • 步骤 19 点击 Connect
  • 步骤 20 点击 RAM, Disk 按钮以检查硬件资源使用情况
  • 步骤 21 点击 Play 按钮运行第一个代码单元格
  • 步骤 22 将我们之前从 Ultralytics HUB 复制的代码单元粘贴到 Start 部分下并运行它以开始训练
  • 步骤 23 现在如果返回到 Ultralytics HUB，你会看到消息 Connected。点击 Done
  • 步骤 24 在模型使用 Google Colab 进行训练时，你将实时看到 Box Loss, Class Loss 和 Object Loss
  • 步骤 25 训练完成后，你将在 Google Colab 上看到以下输出
  • 步骤 26 现在返回到 Ultralytics HUB，进入 Preview 标签页并上传测试图像以检查训练模型的表现
  • 步骤 27 最后进入 Deploy 标签页并下载训练好的模型，选择你喜欢的格式以便使用 YOLOv8 进行推理。这里我们选择了 PyTorch。

现在你可以使用这个下载的模型完成我们之前在本 Wiki 中解释的任务。你只需要将模型文件替换为你的模型即可。

例如：

yolo detect predict model=<your_model.pt> source='0' show=True

性能基准测试​

准备工作​

我们对 YOLOv8 支持的所有计算机视觉任务进行了性能基准测试，这些任务运行在由 NVIDIA Jetson Orin NX 16GB 模块驱动的 reComputer J4012/reComputer Industrial J4012 上。

在样本目录中包含一个名为 trtexec 的命令行包装工具。trtexec 是一个无需开发自己的应用程序即可使用 TensorRT 的工具。trtexec 工具有三个主要用途：

  • 在随机或用户提供的输入数据上对网络进行基准测试。
  • 从模型生成序列化引擎。
  • 从构建器生成序列化的时间缓存。

在这里，我们可以使用 trtexec 工具快速对模型进行不同参数的基准测试。但首先，你需要一个 ONNX 模型，我们可以通过使用 ultralytics yolov8 生成这个 ONNX 模型。

  • 步骤 1. 使用以下命令生成 ONNX：
yolo mode=export model=yolov8s.pt format=onnx
  • 步骤 2. 使用 trtexec 生成引擎文件，命令如下：
cd /usr/src/tensorrt/bin
./trtexec --onnx=<path_to_onnx_file> --saveEngine=<path_to_save_engine_file>

例如：

./trtexec --onnx=/home/nvidia/yolov8s.onnx --saveEngine=/home/nvidia/yolov8s.engine

这将输出性能结果以及生成的 .engine 文件。默认情况下，它会将 ONNX 转换为 FP32 精度的 TensorRT 优化文件，你可以看到如下输出：

如果你需要 FP16 精度（性能优于 FP32），可以执行以下命令：

./trtexec --onnx=/home/nvidia/yolov8s.onnx --fp16 --saveEngine=/home/nvidia/yolov8s.engine

如果你需要 INT8 精度（性能优于 FP16），可以执行以下命令：

./trtexec --onnx=/home/nvidia/yolov8s.onnx --int8 --saveEngine=/home/nvidia/yolov8s.engine

结果​

以下是我们在 reComputer J4012/reComputer Industrial J4012 上运行的所有四个计算机视觉任务的结果总结。

额外演示：使用 YOLOv8 的运动检测器和计数器​

我们使用 YOLOv8-Pose 模型构建了一个用于运动检测和计数的姿态估计演示应用程序。你可以在 这里 查看该项目，了解更多关于此演示的信息，并在你的 Jetson 设备上进行部署！

手动在 NVIDIA Jetson 上设置 YOLOv8​

如果之前提到的一键脚本出现错误，可以按照以下步骤逐步为 Jetson 设备准备 YOLOv8。

安装 Ultralytics 包​

  • 步骤 1. 访问 Jetson 设备的终端，安装 pip 并升级
sudo apt update
sudo apt install -y python3-pip -y
pip3 install --upgrade pip
  • 步骤 2. 安装 Ultralytics 包
pip3 install ultralytics
  • 步骤 3. 升级 numpy 到最新版本
pip3 install numpy -U
  • 步骤 4. 重启设备
sudo reboot

卸载 Torch 和 Torchvision​

上述 Ultralytics 的安装会自动安装 Torch 和 Torchvision。然而，通过 pip 安装的这两个包与基于 ARM aarch64 架构 的 Jetson 平台不兼容。因此，我们需要手动安装预构建的 PyTorch pip 包，并从源码编译/安装 Torchvision。

pip3 uninstall torch torchvision

安装 PyTorch 和 Torchvision​

访问 此页面 获取所有 PyTorch 和 Torchvision 的链接。

以下是 JetPack 5.0 及以上版本支持的一些版本。

PyTorch v2.0.0

支持 JetPack 5.1 (L4T R35.2.1) / JetPack 5.1.1 (L4T R35.3.1)，Python 3.8

文件名: torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl
下载链接: https://nvidia.box.com/shared/static/i8pukc49h3lhak4kkn67tg9j4goqm0m7.whl

PyTorch v1.13.0

支持 JetPack 5.0 (L4T R34.1) / JetPack 5.0.2 (L4T R35.1) / JetPack 5.1 (L4T R35.2.1) / JetPack 5.1.1 (L4T R35.3.1)，Python 3.8

文件名: torch-1.13.0a0+d0d6b1f2.nv22.10-cp38-cp38-linux_aarch64.whl
下载链接: https://developer.download.nvidia.com/compute/redist/jp/v502/pytorch/torch-1.13.0a0+d0d6b1f2.nv22.10-cp38-cp38-linux_aarch64.whl

  • 步骤 1. 根据 JetPack 版本安装对应的 torch，格式如下：
wget <URL> -O <file_name>
pip3 install <file_name>

例如，这里我们运行的是 JP5.1.1，因此选择 PyTorch v2.0.0

sudo apt-get install -y libopenblas-base libopenmpi-dev
wget https://nvidia.box.com/shared/static/i8pukc49h3lhak4kkn67tg9j4goqm0m7.whl -O torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl
pip3 install torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl
  • 步骤 2. 根据已安装的 PyTorch 版本安装对应的 torchvision。例如，我们选择了 PyTorch v2.0.0，因此需要选择 Torchvision v0.15.2
sudo apt install -y libjpeg-dev zlib1g-dev
git clone https://github.com/pytorch/vision torchvision
cd torchvision
git checkout v0.15.2
python3 setup.py install --user

以下是根据 PyTorch 版本需要安装的对应 torchvision 版本列表：

  • PyTorch v2.0.0 - torchvision v0.15
  • PyTorch v1.13.0 - torchvision v0.14

如果需要更详细的列表，请查看 此链接。

安装 ONNX 并降级 Numpy​

如果需要将 PyTorch 模型转换为 TensorRT，则需要执行以下操作：

  • 步骤 1. 安装 ONNX（这是一个必要的依赖项）
pip3 install onnx
  • 步骤 2. 降级 Numpy 到较低版本以修复错误
pip3 install numpy==1.20.3

资源​

技术支持与产品讨论​

感谢您选择我们的产品！我们致力于为您提供多种支持，确保您在使用我们的产品时拥有尽可能顺畅的体验。我们提供多种沟通渠道，以满足不同的偏好和需求。

Loading Comments...