yolov11目标检测转tensorrt

### 将 YOLOv11 转换为 TensorRT 支持的格式 要将 YOLOv11 目标检测模型转换为 TensorRT 支持的格式，通常需要经过以下几个核心环节： #### 1. **下载并准备源码** 首先，确保已克隆 `wang-xinyu/tensorrtx` 的仓库，并进入对应的目录。此项目提供了许多预处理脚本和工具来帮助完成模型转换的任务[^1]。 ```bash git clone https://github.com/wang-xinyu/tensorrtx.git cd tensorrtx/yolov5/ ``` #### 2. **从原始权重文件生成 `.wts` 文件** YOLOv11 的训练权重通常是 PyTorch 格式的 `.pt` 文件。为了将其用于 TensorRT 推理，需先将其转换为 `.wts` 格式。这一步可以通过 Python 脚本来实现。具体操作如下： 运行以下命令以加载 `.pt` 权重并将它们导出到 `.wts` 格式： ```python import torch def convert_pt_to_wts(model_path, output_file): model = torch.load(model_path, map_location=torch.device('cpu'))['model'].float() with open(output_file, 'w') as f: f.write('{}\n'.format(len(model.state_dict().keys()))) for k, v in model.state_dict().items(): vr = v.reshape(-1).cpu().numpy() f.write("{} {}".format(k, len(vr))) for vv in vr: f.write(" ") f.write(struct.pack(">f", float(vv)).hex()) f.write("\n") convert_pt_to_wts("yolov11.pt", "yolov11.wts") ``` 上述代码会读取 `.pt` 文件中的权重数据，并按照特定格式写入 `.wts` 文件中。 #### 3. **构建 ONNX 模型** 在 TensorRT 中使用模型之前，还需要将模型转换为 ONNX 格式。可以利用 PyTorch 提供的功能完成这一过程： ```python dummy_input = torch.randn(1, 3, 640, 640) torch.onnx.export( model, dummy_input, "yolov11.onnx", input_names=['input'], output_names=['output'], opset_version=11 ) ``` 这里需要注意的是，ONNX 导出时应指定合适的输入尺寸以及支持的操作集版本（推荐使用 Opset Version 11 或更高）。该步骤完成后即可获得一个名为 `yolov11.onnx` 的中间表示文件[^2]。 #### 4. **创建 TensorRT 引擎** 有了 ONNX 文件之后，下一步就是基于它生成实际可用的 TensorRT 引擎。可通过两种方式实现——命令行工具 (`trtexec`) 和编程接口 (Python/C++)。 ##### 使用 trtexec 命令行工具 这是最简单的方法之一，只需执行下面这条指令就能快速得到 TRT Engine: ```bash trtexec --onnx=yolov11.onnx --saveEngine=yolov11.trt \ --workspace=4096 --minShapes=input:1x3x320x320 \ --optShapes=input:1x3x640x640 --maxShapes=input:1x3x1280x1280 ``` 其中设置了动态形状范围以便适应不同分辨率下的图像输入需求；同时分配足够的工作空间大小给 GPU 加速计算效率。 ##### 利用 C++/Python 编程接口自定义逻辑 如果希望进一步优化性能或者集成更多功能，则建议采用 SDK 方式自行编写程序控制整个流程。例如，在 Windows 平台上已有成功的案例展示了如何借助 C++ 完成此类任务[^3]。 最后提醒一点：无论采取哪种途径都务必验证最终产物能否正常解析及运行！ ---