YOLOv7 Tensorrt Python部署教程
B站教学视频
Github仓库地址
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
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
