Skip to main content

在 NVIDIA Jetson 上使用 TensorRT 部署 YOLOv8

本 wiki 指南介绍如何将 YOLOv8 模型部署到 NVIDIA Jetson 平台并使用 TensorRT 进行推理。这里我们使用 TensorRT 来最大化 Jetson 平台上的推理性能。

这里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

先决条件​

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

本 wiki 已在 reComputer J4012 和 reComputer Industrial J4012[https://www.seeedstudio.com/reComputer-Industrial-J4012-p-5684.html] 上进行了测试和验证，这些设备由 NVIDIA Jetson orin NX 16GB 模块驱动

将 JetPack 刷写到 Jetson​

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

对于 Seeed Jetson 驱动设备的刷写指南，请参考以下链接：

note

确保刷写 JetPack 版本 5.1.1，因为这是我们为本 wiki 验证过的版本

一行代码将 YOLOV8 部署到 Jetson！​

在您将 Jetson 设备刷写了 JetPack 后，您可以简单地运行以下命令来运行 YOLOv8 模型。这将首先下载并安装必要的包、依赖项，设置环境并从 YOLOv8 下载预训练模型来执行目标检测、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​

开始使用 YOLOv8 的最快方法是使用 YOLOv8 提供的预训练模型。但是，这些是 PyTorch 模型，因此在 Jetson 上进行推理时只会使用 CPU。如果您希望这些模型在 Jetson 上运行时获得最佳性能并在 GPU 上运行，您可以按照本 wiki 的这一部分将 PyTorch 模型导出为 TensorRT。

YOLOv8 为目标检测提供了 5 个预训练的 PyTorch 模型权重，在输入图像尺寸为 640x640 的 COCO 数据集上训练。您可以在下面找到它们

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
A100 TensorRT
(ms)		参数
(M)		FLOPs
(B)
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：https://docs.ultralytics.com/tasks/detect

您可以从上表中选择并下载您所需的模型，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，对于模型，你可以更改为 yolov8s.pt、yolov8m.pt、yolov8l.pt、yolov8x.pt 中的任何一个，它将下载相关的预训练模型

你也可以连接网络摄像头并执行以下命令

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

如果您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

以上运行在 reComputer J4012/ reComputer Industrial J4012 上，使用在 640x640 输入下训练的 YOLOv8s 模型，并使用 TensorRT FP16 精度。

使用 TensorRT 提升推理速度​

正如我们之前提到的，如果您想要提升在 Jetson 上运行 YOLOv8 模型的推理速度，您首先需要将原始的 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个计算机视觉任务

  • 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

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

在创建 TensorRT 模型文件（.engine）后，您将看到如下输出

  • 步骤 2. 如果您想传递额外的参数，可以按照下表进行操作
键值描述
imgsz640图像大小，可以是标量或 (h, w) 列表，例如 (640, 480)
halfFalseFP16 量化
dynamicFalse动态轴
simplifyFalse简化模型
workspace4工作空间大小（GB）

例如，如果您想将 PyTorch 模型转换为使用 FP16 量化的 TensorRT 模型，请执行

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

一旦模型成功导出，您可以在运行检测、分类、分割、姿态估计这4个任务时，直接在yolo的predict命令中用**model=**参数替换此模型。

例如，对于目标检测：

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

使用您自己的AI模型​

数据收集和标注​

如果您有特定的AI应用程序并希望使用适合您应用程序的自己的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，您也可以选择现成可用的公共数据集。您可以下载许多公开可用的数据集，如COCO数据集、Pascal VOC数据集等等。Roboflow Universe是一个推荐的平台，它提供了广泛的数据集，拥有90,000+个数据集和6600万+张图像可用于构建计算机视觉模型。此外，您也可以简单地在Google上搜索开源数据集，从各种可用的数据集中进行选择。

如果您有自己的数据集并想要标注图像，我们建议您使用Roboflow提供的标注工具。请参考wiki的这一部分了解更多信息。您也可以参考Roboflow的这个指南来了解标注。

训练​

这里我们有3种方法来训练模型。

  1. 第一种方法是使用Ultralytics HUB。您可以轻松地将Roboflow集成到Ultralytics HUB中，这样您所有的Roboflow项目都可以随时用于训练。这里它提供了一个Google Colab笔记本来轻松开始训练过程，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工作空间来简化训练过程。这里我们使用Roboflow API从Roboflow项目下载数据集。

  3. 第三种方法是使用本地PC进行训练过程。这里您需要确保您有足够强大的GPU，并且需要手动下载数据集。

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URL并注册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URL并注册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. 创建一个新的工作空间，并按照我们准备的这个wiki指南在工作空间下创建一个新项目。您也可以查看这里从官方Roboflow文档了解更多信息。

  • 步骤6. 一旦您的工作空间中有几个项目，它将如下所示

  • 步骤7. 转到Settings并点击Roboflow API
  • 步骤8. 点击copy按钮复制Private API Key
  • 步骤9. 回到Ultralytics HUB仪表板，点击Integrations，将我们之前复制的API Key粘贴到空白栏中，然后点击Add
  • 步骤10 如果您看到您的工作空间名称被列出，这意味着集成成功
  • 步骤11 导航到Datasets，您将在这里看到您所有的Roboflow项目
  • 步骤12 点击一个项目来查看更多关于数据集的信息。这里我选择了一个可以检测健康和损坏苹果的数据集
  • 步骤13 点击Train Model
  • 步骤14 选择Architecture，设置Model name（可选），然后点击Continue。这里我们选择了YOLOv8s作为模型架构
  • 步骤15 在Advanced options下，根据您的偏好配置设置，复制并粘贴Colab代码（这将稍后粘贴到Colab工作空间中），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 下选择最高可用选项，然后点击 Save
  • 步骤 19 点击 Connect
  • 步骤 20 点击 RAM, Disk 按钮来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
  • 步骤 22 将我们之前从 Ultralytics HUB 复制的代码单元粘贴到 Start 部分下方并运行它来开始训练
  • 步骤 23 现在如果你回到 Ultralytics HUB，你会看到 Connected 消息。点击 Done
  • 步骤 24 在这里你会看到模型在 Google Colab 上训练时的实时 Box Loss、Class Loss 和 Object Loss
  • 步骤 25 训练完成后，你会在 Google Colab 上看到以下输出
  • 步骤 26 现在回到 Ultralytics HUB，转到 Preview 选项卡并上传一张测试图片来检查训练好的模型表现如何
  • 步骤 26 最后转到 Deploy 选项卡，下载你希望用于 YOLOv8 推理的格式的训练好的模型。这里我们选择了 PyTorch。

现在你可以将这个下载的模型用于我们之前在本 wiki 中解释的任务。你只需要将模型文件替换为你的模型。

例如：

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

性能基准测试​

准备工作​

我们已经对运行在 reComputer J4012/ reComputer Industrial J4012（搭载 NVIDIA Jetson Orin NX 16GB 模块）上的 YOLOv8 支持的所有计算机视觉任务进行了性能基准测试。

samples 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：

  • 使用随机或用户提供的输入数据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时序缓存。

在这里我们可以使用 trtexec 工具来快速对具有不同参数的模型进行基准测试。但首先，您需要有一个 onnx 模型，我们可以使用 ultralytics yolov8 来生成这个 onnx 模型。

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

For example:

./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，它将把 ONNX 转换为 FP32 精度的 TensorRT 优化文件，您可以看到如下输出

如果您想要 FP16 精度（比 FP32 提供更好的性能），您可以按如下方式执行上述命令

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

但是，如果您想要 INT8 精度，它比 FP16 提供更好的性能，您可以按如下方式执行上述命令

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

结果​

下面我们总结了在 reComputer J4012/ reComputer Industrial J4012 上运行所有四个计算机视觉任务得到的结果。

额外演示：基于 YOLOv8 的运动检测和计数器​

我们使用 YOLOv8-Pose 模型构建了一个基于 YOLOv8 的运动检测和计数姿态估计演示应用程序。您可以查看这里的项目来了解更多关于此演示的信息，并在您自己的 Jetson 设备上部署！

在 NVIDIA Jetson 上手动设置 YOLOv8​

如果我们之前提到的一行脚本出现了一些错误，您可以逐步执行以下步骤来为 Jetson 设备准备 YOLOv8。

安装 Ultralytics 包​

  • 步骤 1. 访问 Jetson 设备的终端，安装 pip 并升级它
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. 将 numpy 版本升级到最新
pip3 install numpy -U
  • 步骤 4. 重启设备
sudo reboot

卸载 Torch 和 Torchvision​

上述 ultralytics 安装将会安装 Torch 和 Torchvision。然而，通过 pip 安装的这 2 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 wheel 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 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) 与 Python 3.8

文件名: torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl URL: 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) 与 Python 3.8

文件名: torch-1.13.0a0+d0d6b1f2.nv22.10-cp38-cp38-linux_aarch64.whl URL: 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. 根据您的 JetPack 版本按以下格式安装 torch pip3
wget <URL> -O <file_name>
pip3 install <file_name>

例如，在这里我们运行的是 JP5.1.1，因此我们选择 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. 根据您已安装的 PyTorch 版本安装 torchvision。例如，我们选择了 PyTorch v2.0.0，这意味着我们需要选择 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

如果您想要更详细的列表，请查看此链接。

安装 ONNX 并降级 Numpy​

只有当您想要将 PyTorch 模型转换为 TensorRT 时才需要此步骤

  • 步骤 1. 安装 ONNX，这是一个必需的依赖项
pip3 install onnx
  • 步骤 2. 降级到较低版本的Numpy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！我们在这里为您提供不同的支持，以确保您使用我们产品的体验尽可能顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。

Loading Comments...