Vai al contenuto

TensorRT Esportazione per i modelli di YOLOv8

La distribuzione di modelli di computer vision in ambienti ad alte prestazioni può richiedere un formato che massimizzi la velocità e l'efficienza. Questo è particolarmente vero quando il modello viene distribuito su GPU NVIDIA.

Utilizzando il formato di esportazione TensorRT , è possibile migliorare i modelli Ultralytics YOLOv8 modelli per un'inferenza rapida ed efficiente su hardware NVIDIA. Questa guida ti fornirà i passaggi più semplici da seguire per il processo di conversione e ti aiuterà a sfruttare al meglio la tecnologia avanzata di NVIDIA nei tuoi progetti di deep learning.

TensorRT

TensorRT Panoramica

TensorRT, developed by NVIDIA, is an advanced software development kit (SDK) designed for high-speed deep learning inference. It's well-suited for real-time applications like object detection.

Questo toolkit ottimizza i modelli di deep learning per le GPU NVIDIA e consente di ottenere operazioni più rapide ed efficienti. I modelli di TensorRT sono sottoposti all'ottimizzazione di TensorRT , che include tecniche come la fusione dei livelli, la calibrazione della precisione (INT8 e FP16), la gestione dinamica della memoria di tensor e l'autotuning del kernel. La conversione dei modelli di deep learning nel formato TensorRT permette agli sviluppatori di sfruttare appieno le potenzialità delle GPU NVIDIA.

TensorRT è noto per la sua compatibilità con diversi formati di modelli, tra cui TensorFlow, PyTorch, e ONNX, offrendo agli sviluppatori una soluzione flessibile per l'integrazione e l'ottimizzazione di modelli provenienti da framework diversi. Questa versatilità consente un'efficiente distribuzione dei modelli in diversi ambienti hardware e software.

Caratteristiche principali dei modelli TensorRT

TensorRT I modelli offrono una serie di caratteristiche chiave che contribuiscono alla loro efficienza ed efficacia nell'inferenza di deep learning ad alta velocità:

  • Calibrazione di precisione: TensorRT supporta la calibrazione di precisione, consentendo di regolare i modelli in base a specifici requisiti di accuratezza. Questo include il supporto di formati a precisione ridotta come INT8 e FP16, che possono aumentare ulteriormente la velocità di inferenza mantenendo livelli di accuratezza accettabili.

  • Fusione di livelli: Il processo di ottimizzazione di TensorRT include la fusione dei livelli, in cui più livelli di una rete neurale vengono combinati in un'unica operazione. Questo riduce l'overhead computazionale e migliora la velocità di inferenza minimizzando l'accesso alla memoria e il calcolo.

TensorRT Fusione di livelli

  • Gestione dinamica della memoria di Tensor : TensorRT gestisce in modo efficiente l'utilizzo della memoria di tensor durante l'inferenza, riducendo l'overhead della memoria e ottimizzando l'allocazione della stessa. Questo si traduce in un utilizzo più efficiente della memoria della GPU.

  • Sintonizzazione automatica del kernel: TensorRT applica la sintonizzazione automatica del kernel per selezionare il kernel della GPU più ottimizzato per ogni livello del modello. Questo approccio adattivo garantisce che il modello sfrutti appieno la potenza di calcolo della GPU.

Opzioni di distribuzione in TensorRT

Before we look at the code for exporting YOLOv8 models to the TensorRT format, let's understand where TensorRT models are normally used.

TensorRT offre diverse opzioni di implementazione e ognuna di esse bilancia la facilità di integrazione, l'ottimizzazione delle prestazioni e la flessibilità in modo diverso:

  • Distribuzione all'interno di TensorFlow: questo metodo integra TensorRT in TensorFlow, consentendo ai modelli ottimizzati di essere eseguiti in un ambiente familiare come TensorFlow . È utile per i modelli con un mix di livelli supportati e non supportati, in quanto TF-TRT può gestirli in modo efficiente.

TensorRT Panoramica

  • API runtime standalone TensorRT : Offre un controllo granulare, ideale per le applicazioni critiche dal punto di vista delle prestazioni. È più complessa, ma consente l'implementazione personalizzata di operatori non supportati.

  • NVIDIA Triton Inference Server: Un'opzione che supporta modelli di vari framework. Particolarmente adatto per l'inferenza su cloud o su bordi, offre funzionalità come l'esecuzione concorrente dei modelli e l'analisi dei modelli.

Esportare i modelli di YOLOv8 in TensorRT

Puoi migliorare l'efficienza dell'esecuzione e ottimizzare le prestazioni convertendo i modelli di YOLOv8 in formato TensorRT .

Installazione

Per installare il pacchetto richiesto, esegui:

Installazione

# Install the required package for YOLOv8
pip install ultralytics

Per istruzioni dettagliate e buone pratiche relative al processo di installazione, consulta la nostra Guida all'installazione diYOLOv8 . Durante l'installazione dei pacchetti necessari per YOLOv8, se dovessi incontrare delle difficoltà, consulta la nostra guida sui problemi comuni per trovare soluzioni e suggerimenti.

Utilizzo

Prima di immergerti nelle istruzioni per l'uso, assicurati di dare un'occhiata alla gamma di modelli diYOLOv8 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto alle esigenze del tuo progetto.

Utilizzo

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TensorRT format
model.export(format="engine")  # creates 'yolov8n.engine'

# Load the exported TensorRT model
tensorrt_model = YOLO("yolov8n.engine")

# Run inference
results = tensorrt_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to TensorRT format
yolo export model=yolov8n.pt format=engine  # creates 'yolov8n.engine''

# Run inference with the exported model
yolo predict model=yolov8n.engine source='https://ultralytics.com/images/bus.jpg'

Per maggiori dettagli sul processo di esportazione, visita la pagina di documentazione diUltralytics sull'esportazione.

Esportazione di TensorRT con quantizzazione INT8

L'esportazione dei modelli Ultralytics YOLO utilizzando TensorRT con precisione INT8 esegue la quantizzazione post-training (PTQ). TensorRT utilizza la calibrazione per la PTQ, che misura la distribuzione delle attivazioni all'interno di ogni tensor attivazione mentre il modello YOLO elabora l'inferenza su dati di input rappresentativi, e quindi utilizza tale distribuzione per stimare i valori di scala per ogni tensor attivazione. Ogni attivazione tensor candidata alla quantizzazione ha una scala associata che viene dedotta da un processo di calibrazione.

Quando elabora reti con quantizzazione implicita, TensorRT utilizza INT8 in modo opportunistico per ottimizzare il tempo di esecuzione dei livelli. Se un livello funziona più velocemente in INT8 e ha assegnato delle scale di quantizzazione ai suoi ingressi e uscite di dati, allora a quel livello viene assegnato un kernel con precisione INT8, altrimenti TensorRT seleziona una precisione di FP32 o FP16 per il kernel in base a quella che risulta in un tempo di esecuzione più veloce per quel livello.

Suggerimento

È fondamentale assicurarsi che lo stesso dispositivo che utilizzerà i pesi del modello TensorRT per la distribuzione sia utilizzato per l'esportazione con precisione INT8, poiché i risultati della calibrazione possono variare da un dispositivo all'altro.

Configurazione dell'esportazione INT8

Gli argomenti forniti quando si usa esportazione per un modello Ultralytics YOLO molto influenzano le prestazioni del modello esportato. Dovranno essere selezionati anche in base alle risorse del dispositivo disponibili, tuttavia gli argomenti predefiniti sono dovrebbe funziona per la maggior parte Ampere (o più recenti) GPU discrete NVIDIA. L'algoritmo di calibrazione utilizzato è "ENTROPY_CALIBRATION_2" e potrai leggere ulteriori dettagli sulle opzioni disponibili nella Guida per gli sviluppatori di TensorRT. Ultralytics test hanno rilevato che "ENTROPY_CALIBRATION_2" è stata la scelta migliore e le esportazioni sono fissate per l'utilizzo di questo algoritmo.

  • workspace : Controlla la dimensione (in GiB) dell'allocazione della memoria del dispositivo durante la conversione dei pesi del modello.

    • Regola la posizione di workspace in base alle tue esigenze di calibrazione e alla disponibilità di risorse. Mentre un valore più grande workspace può aumentare il tempo di calibrazione, ma permette a TensorRT di esplorare una gamma più ampia di tattiche di ottimizzazione, potenzialmente migliorando le prestazioni e l'accuratezza del modello. Al contrario, un modello più piccolo workspace può ridurre i tempi di calibrazione, ma può limitare le strategie di ottimizzazione, incidendo sulla qualità del modello quantizzato.

    • L'impostazione predefinita è workspace=4 (GiB), questo valore potrebbe dover essere aumentato se la calibrazione si blocca (esce senza preavviso).

    • TensorRT riporterà UNSUPPORTED_STATE durante l'esportazione se il valore di workspace è più grande della memoria disponibile per il dispositivo, il che significa che il valore di workspace dovrebbe essere abbassato.

    • Se workspace è impostato sul valore massimo e la calibrazione fallisce/si blocca, considera di ridurre i valori di imgsz e batch per ridurre i requisiti di memoria.

    • Ricorda che la calibrazione per INT8 è specifica per ogni dispositivo; prendere in prestito una GPU "di fascia alta" per la calibrazione potrebbe comportare prestazioni scarse quando l'inferenza viene eseguita su un altro dispositivo.

  • batch : La dimensione massima del lotto che verrà utilizzata per l'inferenza. Durante l'inferenza è possibile utilizzare lotti più piccoli, ma l'inferenza non accetterà lotti più grandi di quello specificato.

Nota

Durante la calibrazione, due volte il tasto batch saranno utilizzate le dimensioni fornite. L'utilizzo di piccoli lotti può portare a una scalatura imprecisa durante la calibrazione. Questo perché il processo si regola in base ai dati che vede. I piccoli lotti potrebbero non catturare l'intera gamma di valori, causando problemi nella calibrazione finale. batch viene raddoppiata automaticamente. Se non viene specificata la dimensione del lotto batch=1la calibrazione verrà eseguita a batch=1 * 2 per ridurre gli errori di scala della calibrazione.

La sperimentazione di NVIDIA ha portato a consigliare l'uso di almeno 500 immagini di calibrazione rappresentative dei dati del modello, con calibrazione di quantizzazione INT8. Si tratta di una linea guida e non di un'indicazione duro e dovrai sperimentare ciò che è necessario per ottenere buone prestazioni per il tuo set di dati. Dato che i dati di calibrazione sono necessari per la calibrazione INT8 con TensorRT, assicurati di utilizzare il metodo data argomento quando int8=True per TensorRT e utilizzare data="my_dataset.yaml"che utilizzerà le immagini di convalida con cui effettuare la calibrazione. Quando non viene passato alcun valore per data con l'esportazione in TensorRT con quantizzazione INT8, l'impostazione predefinita sarà quella di utilizzare uno dei seguenti parametri "piccoli" set di dati di esempio basati sul modello di attività invece di lanciare un errore.

Esempio

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(
    format="engine",
    dynamic=True,  # (1)!
    batch=8,  # (2)!
    workspace=4,  # (3)!
    int8=True,
    data="coco.yaml",  # (4)!
)

# Load the exported TensorRT INT8 model
model = YOLO("yolov8n.engine", task="detect")

# Run inference
result = model.predict("https://ultralytics.com/images/bus.jpg")
  1. Esportazioni con assi dinamici, questo sarà abilitato per impostazione predefinita quando si esporta con int8=True anche se non è stato impostato esplicitamente. Vedi argomenti di esportazione per ulteriori informazioni.
  2. Imposta una dimensione massima di 8 lotti per il modello esportato, che si calibra con batch = 2 * 8 per evitare errori di scala durante la calibrazione.
  3. Alloca 4 GiB di memoria invece di allocare l'intero dispositivo per il processo di conversione.
  4. Utilizza il set di dati COCO per la calibrazione, in particolare le immagini utilizzate per la convalida (5.000 in totale).
# Export a YOLOv8n PyTorch model to TensorRT format with INT8 quantization
yolo export model=yolov8n.pt format=engine batch=8 workspace=4 int8=True data=coco.yaml  # creates 'yolov8n.engine''

# Run inference with the exported TensorRT quantized model
yolo predict model=yolov8n.engine source='https://ultralytics.com/images/bus.jpg'
Cache di calibrazione

TensorRT genererà una calibrazione .cache che può essere riutilizzato per accelerare l'esportazione dei pesi dei modelli futuri utilizzando gli stessi dati, ma questo può portare a una calibrazione scadente quando i dati sono molto diversi o se i pesi del modello sono molto diversi. batch valore viene modificato drasticamente. In queste circostanze, l'attuale .cache dovrebbe essere rinominato e spostato in un'altra directory o eliminato del tutto.

Vantaggi dell'utilizzo di YOLO con TensorRT INT8

  • Riduzione delle dimensioni del modello: La quantizzazione da FP32 a INT8 può ridurre le dimensioni del modello di 4 volte (su disco o in memoria), con conseguenti tempi di download più rapidi, minori requisiti di archiviazione e un'impronta di memoria ridotta quando si distribuisce un modello.

  • Consumo energetico ridotto: Le operazioni a precisione ridotta per i modelli INT8 esportati da YOLO possono consumare meno energia rispetto ai modelli FP32, soprattutto per i dispositivi alimentati a batteria.

  • Miglioramento della velocità di inferenza: TensorRT ottimizza il modello per l'hardware di destinazione, consentendo potenzialmente una maggiore velocità di inferenza su GPU, dispositivi embedded e acceleratori.

Nota sulle velocità di inferenza

Le prime chiamate di inferenza con un modello esportato in TensorRT INT8 possono avere tempi di preelaborazione, inferenza e/o postelaborazione più lunghi del solito. Questo può accadere anche quando si cambia imgsz durante l'inferenza, soprattutto quando imgsz non è uguale a quello specificato durante l'esportazione (export imgsz è impostato come TensorRT profilo "ottimale").

Svantaggi dell'utilizzo di YOLO con TensorRT INT8

  • Diminuzione delle metriche di valutazione: L'utilizzo di una precisione inferiore significa che mAP, Precision, Recall o qualsiasi altre metriche utilizzate per valutare le prestazioni del modello è probabile che sia un po' peggiore. Vedi il Sezione risultati delle prestazioni per confrontare le differenze di mAP50 e mAP50-95 quando si esporta con INT8 su un piccolo campione di vari dispositivi.

  • Aumento dei tempi di sviluppo: Trovare le impostazioni "ottimali" per la calibrazione INT8 in base al set di dati e al dispositivo può richiedere una quantità significativa di test.

  • Hardware dependency: Calibration and performance gains could be highly hardware dependent and model weights are less transferable.

Ultralytics YOLO TensorRT Prestazioni di esportazione

NVIDIA A100

Prestazioni

Testato con Ubuntu 22.04.3 LTS, python 3.10.12, ultralytics==8.2.4, tensorrt==8.6.1.post1

Per gli esempi di utilizzo di questi modelli addestrati su COCO, che includono 80 classi pre-addestrate, consulta i Detection Docs.

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 0.52 0.51 | 0.56 8 640
FP32 COCOval 0.52 0.52 0.37 1 640
FP16 Prevedere 0.34 0.34 | 0.41 8 640
FP16 COCOval 0.33 0.52 0.37 1 640
INT8 Prevedere 0.28 0.27 | 0.31 8 640
INT8 COCOval 0.29 0.47 0.33 1 640

Vedi Segmentation Docs per gli esempi di utilizzo di questi modelli addestrati su COCO, che includono 80 classi pre-addestrate.

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n-seg.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
mAPval
50(M)
mAPval
50-95(M)
batch dimensione
(pixel)
FP32 Prevedere 0.62 0.61 | 0.68 8 640
FP32 COCOval 0.63 0.52 0.36 0.49 0.31 1 640
FP16 Prevedere 0.40 0.39 | 0.44 8 640
FP16 COCOval 0.43 0.52 0.36 0.49 0.30 1 640
INT8 Prevedere 0.34 0.33 | 0.37 8 640
INT8 COCOval 0.36 0.46 0.32 0.43 0.27 1 640

Vedi Classification Docs per gli esempi di utilizzo di questi modelli addestrati su ImageNet, che includono 1000 classi pre-addestrate.

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n-cls.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
top-1 top-5 batch dimensione
(pixel)
FP32 Prevedere 0.26 0.25 | 0.28 8 640
FP32 ImageNetval 0.26 0.35 0.61 1 640
FP16 Prevedere 0.18 0.17 | 0.19 8 640
FP16 ImageNetval 0.18 0.35 0.61 1 640
INT8 Prevedere 0.16 0.15 | 0.57 8 640
INT8 ImageNetval 0.15 0.32 0.59 1 640

Vedi Pose Estimation Docs per gli esempi di utilizzo di questi modelli addestrati su COCO, che includono una classe pre-addestrata, "persona".

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n-pose.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
mAPval
50(P)
mAPval
50-95(P)
batch dimensione
(pixel)
FP32 Prevedere 0.54 0.53 | 0.58 8 640
FP32 COCOval 0.55 0.91 0.69 0.80 0.51 1 640
FP16 Prevedere 0.37 0.35 | 0.41 8 640
FP16 COCOval 0.36 0.91 0.69 0.80 0.51 1 640
INT8 Prevedere 0.29 0.28 | 0.33 8 640
INT8 COCOval 0.30 0.90 0.68 0.78 0.47 1 640

Per gli esempi di utilizzo di questi modelli addestrati su DOTAv1, che includono 15 classi pre-addestrate, consulta i documenti sul rilevamento orientato.

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n-obb.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 0.52 0.51 | 0.59 8 640
FP32 DOTAv1val 0.76 0.50 0.36 1 640
FP16 Prevedere 0.34 0.33 | 0.42 8 640
FP16 DOTAv1val 0.59 0.50 0.36 1 640
INT8 Prevedere 0.29 0.28 | 0.33 8 640
INT8 DOTAv1val 0.32 0.45 0.32 1 640

GPU consumer

Prestazioni di rilevamento (COCO)

Testato con Windows 10.0.19045, python 3.10.9, ultralytics==8.2.4, tensorrt==10.0.0b6

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 1.06 0.75 | 1.88 8 640
FP32 COCOval 1.37 0.52 0.37 1 640
FP16 Prevedere 0.62 0.75 | 1.13 8 640
FP16 COCOval 0.85 0.52 0.37 1 640
INT8 Prevedere 0.52 0.38 | 1.00 8 640
INT8 COCOval 0.74 0.47 0.33 1 640

Testato con Windows 10.0.22631, python 3.11.9, ultralytics==8.2.4, tensorrt==10.0.1

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 1.76 1.69 | 1.87 8 640
FP32 COCOval 1.94 0.52 0.37 1 640
FP16 Prevedere 0.86 0.75 | 1.00 8 640
FP16 COCOval 1.43 0.52 0.37 1 640
INT8 Prevedere 0.80 0.75 | 1.00 8 640
INT8 COCOval 1.35 0.47 0.33 1 640

Testato con Pop!_OS 22.04 LTS, python 3.10.12, ultralytics==8.2.4, tensorrt==8.6.1.post1

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 2.84 2.84 | 2.85 8 640
FP32 COCOval 2.94 0.52 0.37 1 640
FP16 Prevedere 1.09 1.09 | 1.10 8 640
FP16 COCOval 1.20 0.52 0.37 1 640
INT8 Prevedere 0.75 0.74 | 0.75 8 640
INT8 COCOval 0.76 0.47 0.33 1 640

Dispositivi integrati

Prestazioni di rilevamento (COCO)

Testato con JetPack 6.0 (L4T 36.3) Ubuntu 22.04.4 LTS, python 3.10.12, ultralytics==8.2.16, tensorrt==10.0.1

Nota

Tempi di inferenza mostrati per mean, min (più veloce), e max (il più lento) per ogni test utilizzando i pesi pre-addestrati yolov8n.engine

Precisione Test di valutazione media
(ms)
min | max
(ms)
mAPval
50(B)
mAPval
50-95(B)
batch dimensione
(pixel)
FP32 Prevedere 6.11 6.10 | 6.29 8 640
FP32 COCOval 6.17 0.52 0.37 1 640
FP16 Prevedere 3.18 3.18 | 3.20 8 640
FP16 COCOval 3.19 0.52 0.37 1 640
INT8 Prevedere 2.30 2.29 | 2.35 8 640
INT8 COCOval 2.32 0.46 0.32 1 640

Metodi di valutazione

Espandi le sezioni sottostanti per informazioni su come questi modelli sono stati esportati e testati.

Esportazione delle configurazioni

Per maggiori dettagli sugli argomenti di configurazione dell'esportazione, consulta la sezione Modalità di esportazione.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# TensorRT FP32
out = model.export(format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2)

# TensorRT FP16
out = model.export(format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2, half=True)

# TensorRT INT8 with calibration `data` (i.e. COCO, ImageNet, or DOTAv1 for appropriate model task)
out = model.export(
    format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2, int8=True, data="coco8.yaml"
)
Prevedere il ciclo

Per ulteriori informazioni, consulta la modalità di previsione.

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.engine")
img = cv2.imread("path/to/image.jpg")

for _ in range(100):
    result = model.predict(
        [img] * 8,  # batch=8 of the same image
        verbose=False,
        device="cuda",
    )
Configurazione della convalida

Vedi val modalità per saperne di più sugli argomenti di configurazione della convalida.

from ultralytics import YOLO

model = YOLO("yolov8n.engine")
results = model.val(
    data="data.yaml",  # COCO, ImageNet, or DOTAv1 for appropriate model task
    batch=1,
    imgsz=640,
    verbose=False,
    device="cuda",
)

Distribuzione dei modelli esportati di YOLOv8 TensorRT

Dopo aver esportato con successo i tuoi modelli Ultralytics YOLOv8 nel formato TensorRT , sei pronto a distribuirli. Per istruzioni approfondite su come distribuire i tuoi modelli TensorRT in varie impostazioni, consulta le seguenti risorse:

Sommario

In questa guida ci siamo concentrati sulla conversione dei modelli Ultralytics YOLOv8 nel formato dei modelli TensorRT di NVIDIA. Questa fase di conversione è fondamentale per migliorare l'efficienza e la velocità dei modelli YOLOv8 , rendendoli più efficaci e adatti a diversi ambienti di distribuzione.

Per maggiori informazioni sui dettagli di utilizzo, consulta la documentazione ufficiale di TensorRT .

Se sei curioso di conoscere altre integrazioni di Ultralytics YOLOv8 , la nostra pagina di guida all'integrazione offre un'ampia selezione di risorse informative e approfondimenti.



Created 2024-01-28, Updated 2024-06-20
Authors: ambitious-octopus (1), lakshanthad (1), glenn-jocher (8), IvorZhu331 (1), Burhan-Q (2), abirami-vina (1)

Commenti