本仓库提供深度学习CV领域模型加速部署案例，仓库实现的cuda c支持多batch图像预处理、推理、decode、NMS。大部分模型转换流程为：torch->onnx->tensorrt。 获取onnx文件以下有两种方式：

• 2023.01.01 🔥 更新 yolov3, yolov4, yolov5, yolov6
• 2023.01.04 🍅 更新 yolov7, yolox, yolor
• 2023.01.05 🎉 更新 u2net, libfacedetection
• 2023.01.08 🚀 全网最快支持yolov8的tensorrt部署
• 2023.01.20 🍏 更新 efficientdet, pphunmanseg
• 2023.12.09 🍁 更新 yolov8-pose
• 2023.12.19 🍉 更新 yolov8-seg
• 2023.12.27 💖 更新 yolonas

兼容平台: Windows and Linux. 以下环境已被测过：

# install miniconda first
conda create -n tensorrt-alpha python==3.8 -y
conda activate tensorrt-alpha
git clone https://github.com/FeiYull/tensorrt-alpha
cd tensorrt-alpha
pip install -r requirements.txt  

安装教程：

• Install For Ubuntu18.04
  
• Docker For Linux
  

设置TensorRT根目录（安装目录）路径:

git clone https://github.com/FeiYull/tensorrt-alpha
cd tensorrt-alpha/cmake
vim common.cmake
# 把common.cmake文件第20行中的TensorRT_ROOT修改成您的TensorRT安装目录, 例如改成如下:
# set(TensorRT_ROOT /home/feiyull/TensorRT-8.4.2.4)

开始编译、运行工程，例如:yolov8

目前已实现30多个主流模型，部分整理好的onnx文件如下列表：

🍉稍后在tesla v100 和 A100上测量时间开销!现在看看yolov8n在移动端RTX2070m(8G)的性能表现：

模型	视频分辨率	模型输入尺寸	显存占用	GPU利用率
yolov8n	1920x1080	8x3x640x640	1093MiB/7982MiB	14%

一个batch内，平均每一帧的时间开销

yolov8n : Offical( left ) vs Ours( right )


yolov7-tiny : Offical( left ) vs Ours( right )


yolov6s : Offical( left ) vs Ours( right )


yolov5s : Offical( left ) vs Ours( right )


yolov5s : Offical( left ) vs Ours( right )


libfacedetection : Offical( left ) vs Ours( right topK:2000)

@misc{FeiYull_TensorRT-Alpha,  
  author = {FeiYull},  
  title = {TensorRT-Alpha},  
  year = {2023},  
  publisher = {GitHub},  
  journal = {GitHub repository},  
  howpublished = {https://github.com/FeiYull/tensorrt-alpha}
}