YOLOV7目标检测算法的C++ TensorRT部署代码

---

1. 算法介绍

• yolov7目标检测算法链接，相关内容请自行跳转yolov7代码仓；

• 因yolov5前后处理和yolov7相差无几，故本仓库同样适用于yolov5算法的TensorRT部署，但需要注意anchor的尺度，根据网络训练时的anchor配置进行相应的修改；

• 以80类coco数据集为例。为了部署更加方便（个人想法），故修改了原始模型，即对yolov7在640x640分辨率下的三个输出头进行拼接处理，输出一个***[1,25200,85]***的tensor，具体操作如下所示；

  ## 修改yolov7/models/yolo.py 23行 Detect类的forward函数
      def forward(self, x):
          # x = x.copy()  # for profiling
          z = []  # inference output
          self.training |= self.export
          for i in range(self.nl):
              x[i] = self.m[i](x[i])  # conv
              bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
              x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
              x[i] = x[i].sigmoid()
              z.append(x[i].view(bs, -1, self.no))
              if not self.training:  # inference
                  if self.grid[i].shape[2:4] != x[i].shape[2:4]:
                      self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
                  y = x[i].sigmoid()
                  y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                  y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                  z.append(y.view(bs, -1, self.no))
                  
          return (torch.cat(z, 1))

2. 使用说明

• 使用步骤如下所示：

  mkdir build
  cd build
  cmake ..
  make -j4
  ./Test_app ../data/

  备注：

  1. 需针对性的修改tensorrt模型的路径和测试文件夹的路径！

  2. 当前代码暂不支持多batch，若要支持多batch也不难，稍加修改即可；

3. 参考结果

• 截止到目前2022年7月13号，目前测试的是官方提供的yolov7.pth模型，在PC上使用TensorRT-8.4.1.5进行序列化后，fp16的trt模型大小为75.6Mb，在2070ti的显卡下，性能表现如下所示：

  平台	fp16	备注
  PC	1. 预处理0.5ms 2. 前向计算5.0ms 3. 后处理0.15ms 4. 画图4.5ms	画图的时间 长短和检测 目标个数相关；
  Jetson Tx2	1. 预处理2.6ms 2. 前向计算118.0ms 3. 后处理0.7ms 4. 画图8.5ms	同上
  合计	PC：5.65ms，TX2：121.3ms	不统计画图时间

  备注：在英伟达TX2上速度慢的离谱，暂时不知道是哪里出了问题，有待进一步验证；

4. 依赖环境

• PC x86，Ubuntu20.04 ，RTX2070ti；

• cuda 11.3；

• TensorRT-8.4.1.5；

• 带扩展包的opencv-3.4.14，编译时添加with_cuda编译选项；

  20220714 -----by nero

  ​