/Linfer

基于TensorRT的C++高性能推理库，Yolov10, YoloPv2，Yolov5/7/X/8，RT-DETR，单目标跟踪OSTrack、LightTrack。

Primary LanguageC++

Linfer

Language Language Language Language Language

Introduction

基于 TensorRT 的 C++ 高性能推理库。

Update News

🚀（2024.06.06）支持目标检测算法Yolov10！

🚀（2024.05.23）支持语义分割算法：PaddleSeg中的PP-LiteSeg、MobileSeg，轻量高效，适合部署！

🚀（2023.12.03）支持全景驾驶感知算法 YOLOPv2，Better、Faster、Stronger ！

🚀（2023.11.06）支持全景驾驶感知算法 YOLOP ！

🚀（2023.10.19）支持单目标跟踪 OSTrack、LightTrack ！单独的单目标跟踪仓库为 github

🚀（2023.10.09）支持目标检测算法 RT-DETR ！

🚀（2023.08.26）支持 PTQ 量化，Yolov5/7 QAT 量化！

🚀（2023.07.19）支持目标检测 Yolo 系列 5/X/7/8，多目标跟踪 Bytetrack。

Highlights

  • 支持全景驾驶感知 YOLOPv2，目标检测 RT-DETR，Yolov5/X/7/8/10 ，多目标跟踪 Bytetrack，单目标跟踪 OSTrack、LightTrack；
  • 预处理和后处理实现CUDA核函数，在 jetson 边缘端也能高性能推理；
  • 封装Tensor、Infer，实现内存复用、CPU/GPU 内存自动拷贝、引擎上下文管理、输入输出绑定等；
  • 推理过程实现生产者消费者模型，实现预处理和推理的并行化，进一步提升性能；
  • 采用 RAII **+接口模式封装应用，使用安全、便捷。

Easy Using

本项目代码结构如下：apps 文件夹中存放着各个算法的实现代码，其中 app_xxx.cpp 是对应 xxx 算法的调用demo函数，每个算法彼此之间没有依赖，假如只需要使用yolopv2，可以将此文件夹下的其他算法全部删除，没有影响；trt_common 文件夹中包括了常用的cuda_tools，对TensorRT进行Tensor、Infer的封装，生产者消费者模型的封装；quant-tools 文件夹中是量化脚本，主要是yolov5/7；workspace 文件夹中存放编译好的可执行文件、engine等。

使用哪个算法就在 main.cpp 中调用哪个算法的demo函数。

.
├── apps
│   ├── yolo
│   └── yolop
│   ├── app_yolo.cpp
│   ├── app_yolop.cpp
│   ├── ...
├── trt_common
│   ├── cuda_tools.hpp
│   ├── trt_infer.hpp
│   ├── trt_tensor.hpp
│   └── ...
├── quant-tools
│   └── ...
├── workspace
│   └── ...
├── CMakeLists.txt
└── main.cpp

如果要进行您自己的算法部署，只需要在 apps 文件夹中新建您的算法文件夹，模仿其他算法中对 trt_infer/trt_tensor 等的使用即可。后续时间空闲较多的情况下会更新较为详细的用法。

Project Build and Run

  1. install cuda/tensorrt/opencv

    reference

  2. compile engine

    1. 下载 onnx 模型 google driver 或者按照教程导出，教程在各文件夹README

    2. cd Linfer/workspace
# 修改其中的onnx路径
bash compile_engine.sh

  3. build

    # 修改 CMakeLists.txt 中 cuda/tensorrt/opencv 为自己的路径
cd Linfer
mkdir build && cd build
cmake .. && make -j4

  4. run

    cd Linfer/workspace
./pro

Speed Test

在 Jetson Orin Nano 8G 上进行测试，测试包括整个流程（图像预处理+模型推理+后处理解码）

Model Precision Resolution FPS(bs=1)
yolov5_s fp16 640x640 96.06
yolox_s fp16 640x640 79.64
yolov7 int8 640x640 49.55
yolov8_n fp16 640x640 121.94
yolov8_s fp16 640x640 81.40
yolov8_m fp16 640x640 41.14
yolov8_l fp16 640x640 27.52
yolov10_n fp16 640x640 115.13
yolov10_s fp16 640x640 73.65
yolov10_m fp16 640x640 39.51
yolov10_l fp16 640x640 26.41
rtdetr_r50 fp16 640x640 11.25
lighttrack fp16 256x256 90.91
ostrack fp16 256x256 37.04
yolop fp16 640x640 31.4
yolopv2 fp16 480x640 21.9
PP-LiteSeg fp16 256x512 129.81
MobileSeg fp16 256x512 140.36

Reference