Advertisement

Yolact和Yolov5的C++实现，涵盖ONNX（CPU/CUDA）及TensorRT版本

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目提供YOLOv5与YOLACT模型的C++实现，支持ONNX格式下的CPU和CUDA加速，并兼容TensorRT优化版，适用于高性能计算环境。 Yolact/Yolov5的C++实现包括ONNX（CPU/CUDA）和TensorRT版本。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Yolact和Yolov5的C++实现，涵盖ONNX（CPU/CUDA）及TensorRT版本
    优质
    本项目提供YOLOv5与YOLACT模型的C++实现，支持ONNX格式下的CPU和CUDA加速，并兼容TensorRT优化版，适用于高性能计算环境。 Yolact/Yolov5的C++实现包括ONNX（CPU/CUDA）和TensorRT版本。
     
  • Yolov5-Onnx-Tensorrt: 如何用TensorRT执行Yolov5模型
    优质
    简介：本项目介绍如何将YOLOv5模型转换为ONNX格式，并利用TensorRT进行优化和加速推理过程，适用于需要高性能计算的应用场景。 yolov5-onnx-张量此 Repos 包含如何使用 TensorRT 运行 yolov5 模型。Pytorch 实现是将 pytorch 转换为 onnx 和 tensorrt 的 yolov5 模型，以便在 Jetson AGX Xavier 上运行。支持推断图像和同时推断多幅图像。要求请使用 torch>=1.6.0、onnx==1.8.0 以及 TensorRT 7.0.0.11 运行代码。 代码结构如下： - networks：网络demo代码在 Jetson AGX Xavier 上运行 tensorrt 实现 ├── utils ├── models └── demo ├── demo.py ├── demo_batch.py ├── Processor.py └── Processor_Batch.py
     
  • 基于TensorRT API的YOLOv11-C++实现_YOLOv11-TensorRT版本.zip
    优质
    本资源提供基于TensorRT API优化的YOLOv11目标检测模型C++实现代码。通过集成TensorRT，显著提升模型推理速度与效率。适合需要高性能实时物体识别的应用场景。 YOLOv11（You Only Look Once version 11）是一种流行的实时对象检测算法，在确保高精度的同时大幅提升了运算速度。它适用于各种图像识别任务，尤其在自动驾驶、视频监控、图像分析等需要快速响应的场景中表现出色。 TensorRT是NVIDIA推出的一个深度学习推理优化器，可以将训练好的神经网络模型转换为优化后的引擎，以实现在NVIDIA GPU上的高效推理。TensorRT针对NVIDIA GPU硬件特性进行了深度优化，能够显著提高模型的吞吐量和降低延迟。 本压缩包文件提供了YOLOv11算法结合TensorRT API实现的C++代码，供开发者参考使用。利用此资源可以快速搭建YOLOv11的推理引擎，并在应用中实现高效的对象检测功能。 文件中的主要内容可能包括： 1. TensorRT API的使用方法：如何构建和配置推理引擎、导入与优化模型以及执行推理等。 2. YOLOv11算法的核心原理及其C++实现细节，如锚点机制、损失函数和非极大值抑制（NMS）等。 3. 网络结构定义、数据预处理、后处理逻辑及与其他系统的接口对接等内容的代码实现。 4. 示例代码或脚本涵盖了模型加载、配置与运行流程，帮助理解部署整个检测系统的方法。 5. 性能测试和调优指南以及解决常见问题的指导信息。 文档或注释会引导开发者在不同类型的NVIDIA GPU上进行部署和运行。需要注意的是，虽然YOLOv11具有实时检测的优势，但模型构建与推理引擎优化需要一定的深度学习及硬件编程经验，并且为了充分利用TensorRT的功能优势，对NVIDIA GPU架构的理解也是必要的。 此压缩包提供了一套完整的工具和示例代码，在NVIDIA硬件平台上快速部署YOLOv11模型并实现高效的对象检测功能。
     
  • YOLOv5 OBB 旋转边界框 TensorRT 部署：Win10、CUDA 11、TensorRT 8 和 OpenCV 4.5.5
    优质
    本项目介绍在Windows 10环境下，使用CUDA 11和TensorRT 8部署YOLOv5模型进行旋转边界框检测的全过程，并采用OpenCV 4.5.5优化推理速度。 注意点： 1. 修改包含目录和库目录。dll需要覆盖为自己的版本，使用tensorrt8.4 和 opencv4.5.5 版本。参考博客文章中的详细步骤进行操作。 原文链接：https://blog..net/vokxchar/article/details/130789619
     
  • Cudnn，涵盖所有兼容CUDA 11.x的版本
    优质
    本文档提供了关于cuDNN（CUDA深度神经网络库）的全面概述，专注于所有与CUDA 11.x版本兼容的版本。涵盖了安装、配置及优化指南。 cudnn被墙了下不了，因此在这里分享资源。cuda本体资源详情请参见相关文章。
     
  • yolov5-seg模型的ONNX版本
    优质
    本项目提供YOLOv5-seg模型的ONNX格式版本，便于在多种平台上进行部署和应用。包含详细的转换流程及使用说明。 yolov5分割测试模型
     
  • PyTorch-YOLOv4：基于PyTorch、ONNX和TensorRT的YOLOv4实现-源码
    优质
    简介：本项目提供了一个使用PyTorch框架实现的YOLOv4模型，并支持导出为ONNX格式及优化为TensorRT引擎，便于部署与加速。 pytorch-YOLOv4 是 YOLOv4 的最小 PyTorch 实现。 项目结构如下： - README.md：介绍文档。 - dataset.py：数据集相关代码。 - demo.py：运行示例脚本，使用 pytorch 进行推理。 - tool/darknet2pytorch 目录包含将 darknet 模型转换为 pytorch 的工具和脚本。 - demo_darknet2onnx.py：用于将模型从 darknet 转换为 onnx 格式的工具。 - demo_pytorch2onnx.py：使用 PyTorch 将模型转成 ONNX 格式。 - models.py：包含 PyTorch 的 YOLOv4 模型定义代码。 - train.py：训练脚本。
     
  • Yolov5各版本TensorRT配置文件
    优质
    简介：本文档提供了YOLOv5各个版本在使用TensorRT进行部署时所需的配置信息和步骤说明。 yolov5各个版本的TensorRT cfg文件可以从以下地址下载：https://github.com/enazoe/yolo-tensorrt/blob/master/yolov5_tutorial.md。为了防止作者将来不再共享这些资源，我已经将其下载并分享给大家。
     
  • ONNX-TensorRT：ONNX的TensorRT后端
    优质
    ONNX-TensorRT是将ONNX模型转换为高性能推理代码的TensorRT后端，专为深度学习应用加速而设计。 适用于ONNX的TensorRT后端可以解析ONNX模型以进行执行。有关最近更改的列表，请参见相关文档。有关常见问题解答，请参考相应的FAQ。 支持的TensorRT版本：在Master分支上，开发工作基于最新版本，并提供完整尺寸和动态形状的支持。对于早期版本的TensorRT，请查阅其各自的分支。 在具有动态形状支持的全尺寸模式下构建INetwork对象时需要调用以下API： C++代码示例： ```cpp const auto explicitBatch = 1U < static_cast<int>(nvinfer1::NetworkDefinitionCreationFlags::kEXPLICIT_BATCH); ``` 该代码片段用于创建具有明确批次大小的网络定义。