TensorRT 是 NVIDIA 推出的一款深度学习推理引擎，它可以将深度学习模型转换为高效的推理格式，从而在 NVIDIA GPU 上实现快速、高效的推理。以下是将 TensorRT 用于 C++ 的一些基本步骤：### 1. 环境准备确保你的系统已经

1. 项目介绍   NVIDIA® TensorRT™ 是一款用于高性能深度学习推理的 SDK，包括深度学习推理优化器和运行时，可为推理应用程序提供低延迟和高吞吐量。基于 NVIDIA TensorRT 的应用程序在推理过程中的执行速度比纯 CPU 平台快 36 倍，使您能够优化在所有主要框架上训练的神经网络模型，以高精度校准低精度，并部署到超大规模数据中心、嵌入式平台或汽车产品平台。   TensorRT 基于 NVIDIA CUDA® 并行编程模型构建，使您能够在 NVIDIA GPU 上使用量化、层和张量融合、内核调整等技术来优化推理。TensorRT 提供 INT8 使用量化感知训练和训练后量化和浮点 16 （FP16） 优化，用于部署深度学习推理应用程序，例如视频流、推荐、欺诈检测和自然语言处理。低精度推理可显著降低延迟，这是许多实时服务以及自主和嵌入式应用所必需的。TensorRT 与 PyTorch 和 TensorFlow 集成，因此只需一行代码即可实现 6 倍的推理速度。TensorRT 提供了一个 ONNX 解析器，因此您可以轻松地将 ONNX 模型从常用框架导入 TensorRT。它还与 ONNX 运行时集成，提供了一种以 ONNX 格式实现高性能推理的简单方法。   基于这些优势，TensorRT目前在深度模型部署应用越来越广泛。但是TensorRT目前只提供了C++与Python接口，对于跨语言使用十分不便。目前C#语言已经成为当前编程语言排行榜上前五的语言，也被广泛应用工业软件开发中。为了能够实现在C#中调用TensorRT部署深度学习模型，我们在之前的开发中开发了TensorRT C# API。虽然实现了该接口，但由于数据传输存在问题，当时开发的版本在应用时存在较大的问题。   基于此，我们开发了TensorRT C# API 2.0版本，该版本在开发时充分考虑了上一版本应用时出现的问题，并进行了改进。为了更加方便开发者使用，在本次更新中增加了对动态输入模型的支持，将在本技术文中详细介绍本次更新内容以及应用案例。 TensorRT C# API 项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API.git TensorRT C# API 项目应用源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples.git 2. 更新回顾   由于该项目目前还没有完全开发完成，为了更好的方便大家使用，因此会在最新更新后提供给大家最新的资讯。如果大家在使用时有任何疑问，可以阅读之前发布的技术博客： 技术博客一：《最新发布！TensorRT C# API ：基于C#与TensorRT部署深度学习模型》 分享了更新版的TensorRT C# API 相关信息，并对扩展接口进行改进，优化哦了模型推理数据加载方式，很大程度上压缩了数据处理时间；同时分型了最新版本的详细使用流程，以及提供了配套的使用案例，方便开发者们进行使用。 3. 动态输入模型支持   在上一版本中，支持了多Bath推理，单其实现方式是导出的推理模型是多Bath的，因此模型推理的Bath是不可更改的。但是目前TensorRT已经支持了动态模型输入，所以更新了对动态输入模型的支持。下面将对更新的API接口以及推理流程进行简单的介绍： 3.1 新增API public static void OnnxToEngine(string modelPath, int memorySize, string nodeName, Dims minShapes, Dims optShapes, Dims maxShapes) 模型转换接口：可以调用封装的TensorRT中的ONNX 解释器，对ONNX模型进行转换，并根据本机设备信息，编译本地模型，将模型转换为TensorRT 支持的engine格式，该接口支持动态输入模型。 string modelPath： 本地ONNX模型地址，只支持ONNX格式，且ONNX模型必须为确定的输入输出，暂不支持动态输入。 int memorySize: 模型转换时分配的内存大小。 string nodeName: 模型输入节点名称，该节点维度确定但是形状是动态的，一般为: [-1, 3 640, 640]，某一维度或其中几个维度大小为“-1”。 Dims minShapes: 动态尺寸的最小允许值 Dims optShapes: 优化（内核选择）中使用的值、动态尺寸的最优值 Dims maxShapes: 动态尺寸等的最大允许值 public Nvinfer(string modelPath, int maxBatahSize) Nvinfer 初始化接口: 初始化Nvinfer类，主要初始化封装的推理引擎，该推理引擎中封装了比较重要的一些类和指针。 string modelPath: engine模型路径。 int maxBatahSize: 推理推理支持的最大的Bath。 public void SetBindingDimensions(int index, Dims dims)/SetBindingDimensions(string nodeName, Dims dims) 设置节点维度接口: 通过端口编号或者端口名称，获取绑定的端口的形状信息。 int index: 绑定端口的编号。 string nodeName: 绑定端口的名称。 Dims dims: 需要设置绑定端口的维度。 3.2 推理流程   对于固定输入模型的推理流程，主要包括以下四个步骤： Nvinfer初始化 加载推理数据 模型推理 获取推理结果   而当我们使用动态输入模型时，其推理流程发生了变化，如下图所示：   当部署动态输入模型时，推理流程为： Nvinfer初始化 设置本次推理模型输入大小 加载推理数据 模型推理 获取推理结果   与常规的规定输入模型的推理流程相比，主要是增加了设置本次推理模型输入大小这一步，其他步骤并未发生较大的变化。此外，如果下一次推理输入数据形状大小发生了改变，就需要重新进行设置，如果输入形状大小并未对发生变化，则无需进行再次设置。 4. 接口应用   关于该项目的调用方式在上一篇文章中已经进行了详细介绍，具体使用可以参考《最新发布！TensorRT C# API ：基于C#与TensorRT部署深度学习模型》，下面结合Yolov8-cls模型详细介绍一下更新的接口使用方法。 4.1 创建并配置C#项目   首先创建一个简单的C#项目，然后添加项目配置。   首先是添加TensorRT C# API 项目引用，如下图所示，添加上文中C#项目生成的dll文件即可。   接下来添加OpenCvSharp，此处通过NuGet Package安装即可，此处主要安装以下两个程序包即可：   配置好项目后，项目的配置文件如下所示： <Project Sdk="Microsoft.NET.Sdk"> <PropertyGroup> <OutputType>Exe</OutputType> <TargetFramework>net6.0</TargetFramework> <RootNamespace>TensorRT_CSharp_API_demo</RootNamespace> <ImplicitUsings>enable</ImplicitUsings> <Nullable>enable</Nullable> </PropertyGroup> <ItemGroup> <PackageReference Include="OpenCvSharp4.Extensions" Version="4.9.0.20240103" /> <PackageReference Include="OpenCvSharp4.Windows" Version="4.9.0.20240103" /> </ItemGroup> <ItemGroup> <Reference Include="TensorRtSharp"> <HintPath>E:\GitSpace\TensorRT-CSharp-API\src\TensorRtSharp\bin\Release\net6.0\TensorRtSharp.dll</HintPath> </Reference> </ItemGroup> </Project> 4.2 添加推理代码   此处演示一个简单的图像分类项目，以Yolov8-cls项目为例： (1) 转换engine模型   动态输入的模型在进行格式转换时，需要指定模型推理形状至此的范围，minShapes表示模型推理支持的最小形状，optShapes表示模型推理支持的最佳形状，maxShapes表示模型推理支持的最大形状，模型转换需要消耗较多时间，最终转换成功后会在模型同级目录下生成相同名字的.engine文件。 Dims minShapes = new Dims(1, 3, 224, 224); Dims optShapes = new Dims(10, 3, 224, 224); Dims maxShapes = new Dims(20, 3, 224, 224); Nvinfer.OnnxToEngine(onnxPath, 20, "images", minShapes, optShapes, maxShapes); (2) 定义模型预测方法   下面代码是定义的Yolov8-cls模型的预测方法，该方法支持动态Bath输入模型推理，可以根据用户输入图片数量，自动设置输入Bath，然后进行推理。   下面代码与上一篇文章中的代码差异主要是增加了predictor.SetBindingDimensions("images", new Dims(batchNum, 3, 224, 224));这一句代码。同时在初始化时，设置最大支持20Bath，这与上文模型转换时设置的一致。 public class Yolov8Cls { public Dims InputDims; public int BatchNum; private Nvinfer predictor; public Yolov8Cls(string enginePath) { predictor = new Nvinfer(enginePath, 20); InputDims = predictor.GetBindingDimensions("images"); } public void Predict(List<Mat> images) { BatchNum = images.Count; for (int begImgNo = 0; begImgNo < images.Count; begImgNo += BatchNum) { DateTime start = DateTime.Now; int endImgNo = Math.Min(images.Count, begImgNo + BatchNum); int batchNum = endImgNo - begImgNo; List<Mat> normImgBatch = new List<Mat>(); int imageLen = 3 * 224 * 224; float[] inputData = new float[BatchNum * imageLen]; for (int ino = begImgNo; ino < endImgNo; ino++) { Mat input_mat = CvDnn.BlobFromImage(images[ino], 1.0 / 255.0, new OpenCvSharp.Size(224, 224), 0, true, false); float[] data = new float[imageLen]; Marshal.Copy(input_mat.Ptr(0), data, 0, imageLen); Array.Copy(data, 0, inputData, ino * imageLen, imageLen); } predictor.SetBindingDimensions("images", new Dims(batchNum, 3, 224, 224)); predictor.LoadInferenceData("images", inputData); DateTime end = DateTime.Now; Console.WriteLine("[ INFO ] Input image data processing time: " + (end - start).TotalMilliseconds + " ms."); predictor.infer(); start = DateTime.Now; predictor.infer(); end = DateTime.Now; Console.WriteLine("[ INFO ] Model inference time: " + (end - start).TotalMilliseconds + " ms."); start = DateTime.Now; float[] outputData = predictor.GetInferenceResult("output0"); for (int i = 0; i < batchNum; ++i) { Console.WriteLine(string.Format("[ INFO ] Classification Top {0} result : ", 2)); float[] data = new float[1000]; Array.Copy(outputData, i * 1000, data, 0, 1000); List<int> sortResult = Argsort(new List<float>(data)); for (int j = 0; j < 2; ++j) { string msg = ""; msg += ("index: " + sortResult[j] + "\t"); msg += ("score: " + data[sortResult[j]] + "\t"); Console.WriteLine("[ INFO ] " + msg); } } end = DateTime.Now; Console.WriteLine("[ INFO ] Inference result processing time: " + (end - start).TotalMilliseconds + " ms.\n"); } } public static List<int> Argsort(List<float> array) { int arrayLen = array.Count; List<float[]> newArray = new List<float[]> { }; for (int i = 0; i < arrayLen; i++) { newArray.Add(new float[] { array[i], i }); } newArray.Sort((a, b) => b[0].CompareTo(a[0])); List<int> arrayIndex = new List<int>(); foreach (float[] item in newArray) { arrayIndex.Add((int)item[1]); } return arrayIndex; } } (3) 预测方法调用   下面是上述定义的预测方法，为了测试不同Bath性能，此处读取了多张图片，并分别预测不同张数图片，如下所示： Yolov8Cls yolov8Cls = new Yolov8Cls("E:\\Model\\yolov8\\yolov8s-cls_b.engine"); Mat image1 = Cv2.ImRead("E:\\ModelData\\image\\demo_4.jpg"); Mat image2 = Cv2.ImRead("E:\\ModelData\\image\\demo_5.jpg"); Mat image3 = Cv2.ImRead("E:\\ModelData\\image\\demo_6.jpg"); Mat image4 = Cv2.ImRead("E:\\ModelData\\image\\demo_7.jpg"); Mat image5 = Cv2.ImRead("E:\\ModelData\\image\\demo_8.jpg"); yolov8Cls.Predict(new List<Mat> { image1, image2 }); yolov8Cls.Predict(new List<Mat> { image1, image2, image3 }); yolov8Cls.Predict(new List<Mat> { image1, image2, image3, image4 }); yolov8Cls.Predict(new List<Mat> { image1, image2, image3, image4, image5 }); 4.3 项目演示   配置好项目并编写好代码后，运行该项目，项目输出如下所示： [ INFO ] Input image data processing time: 5.5277 ms. [ INFO ] Model inference time: 1.3685 ms. [ INFO ] Classification Top 2 result : [ INFO ] index: 386 score: 0.8754883 [ INFO ] index: 385 score: 0.08013916 [ INFO ] Classification Top 2 result : [ INFO ] index: 293 score: 0.89160156 [ INFO ] index: 276 score: 0.05480957 [ INFO ] Inference result processing time: 3.0823 ms. [ INFO ] Input image data processing time: 2.7356 ms. [ INFO ] Model inference time: 1.4435 ms. [ INFO ] Classification Top 2 result : [ INFO ] index: 386 score: 0.8754883 [ INFO ] index: 385 score: 0.08013916 [ INFO ] Classification Top 2 result : [ INFO ] index: 293 score: 0.89160156 [ INFO ] index: 276 score: 0.05480957 [ INFO ] Classification Top 2 result : [ INFO ] index: 14 score: 0.99853516 [ INFO ] index: 88 score: 0.0006980896 [ INFO ] Inference result processing time: 1.5137 ms. [ INFO ] Input image data processing time: 3.7277 ms. [ INFO ] Model inference time: 1.5285 ms. [ INFO ] Classification Top 2 result : [ INFO ] index: 386 score: 0.8754883 [ INFO ] index: 385 score: 0.08013916 [ INFO ] Classification Top 2 result : [ INFO ] index: 293 score: 0.89160156 [ INFO ] index: 276 score: 0.05480957 [ INFO ] Classification Top 2 result : [ INFO ] index: 14 score: 0.99853516 [ INFO ] index: 88 score: 0.0006980896 [ INFO ] Classification Top 2 result : [ INFO ] index: 294 score: 0.96533203 [ INFO ] index: 269 score: 0.0124435425 [ INFO ] Inference result processing time: 2.7328 ms. [ INFO ] Input image data processing time: 4.063 ms. [ INFO ] Model inference time: 1.6947 ms. [ INFO ] Classification Top 2 result : [ INFO ] index: 386 score: 0.8754883 [ INFO ] index: 385 score: 0.08013916 [ INFO ] Classification Top 2 result : [ INFO ] index: 293 score: 0.89160156 [ INFO ] index: 276 score: 0.05480957 [ INFO ] Classification Top 2 result : [ INFO ] index: 14 score: 0.99853516 [ INFO ] index: 88 score: 0.0006980896 [ INFO ] Classification Top 2 result : [ INFO ] index: 294 score: 0.96533203 [ INFO ] index: 269 score: 0.0124435425 [ INFO ] Classification Top 2 result : [ INFO ] index: 127 score: 0.9008789 [ INFO ] index: 128 score: 0.07745361 [ INFO ] Inference result processing time: 3.5664 ms.   通过上面输出可以看出，不同Bath模型推理时间在1.3685~1.6947ms，大大提升了模型的推理速度。 5. 总结   在本项目中，我们扩展了TensorRT C# API 接口，使其支持动态输入模型。并结合分类模型部署流程向大家展示了TensorRT C# API 的使用方式，方便大家快速上手使用。   为了方便各位开发者使用，此处开发了配套的演示项目，主要是基于Yolov8开发的目标检测、目标分割、人体关键点识别、图像分类以及旋转目标识别，并且支持动态输入模型，用户可以同时推理任意张图像。 Yolov8 Det 目标检测项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples/blob/master/model_samples/yolov8_custom_dynamic/Yolov8Det.cs Yolov8 Seg 目标分割项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples/blob/master/model_samples/yolov8_custom_dynamic/Yolov8Seg.cs Yolov8 Pose 人体关键点识别项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples/blob/master/model_samples/yolov8_custom_dynamic/Yolov8Pose.cs Yolov8 Cls 图像分类项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples/blob/master/model_samples/yolov8_custom_dynamic/Yolov8Cls.cs Yolov8 Obb 旋转目标识别项目源码： https://github.com/guojin-yan/TensorRT-CSharp-API-Samples/blob/master/model_samples/yolov8_custom_dynamic/Yolov8Obb.cs   同时对本项目开发的案例进行了时间测试，以下时间只是程序运行一次的时间，测试环境为： CPU：i7-165G7 CUDA型号：12.2 Cudnn：8.9.3 TensorRT：8.6.1.6 Model Batch 数据预处理 (ms) 模型推理 (ms) 结果后处理 (ms) Yolov8s-Det 1 16.6 4.6 13.1 4 38.0 12.4 32.4 8 70.5 23.0 80.1 Yolov8s-Obb 1 28.7 8.9 17.7 4 81.7 25.9 67.4 8 148.4 44.6 153.0 Yolov8s-Seg 1 15.4 5.4 67.4 4 37.3 15.5 220.6 8 78.7 26.9 433.6 Yolov8s-Pose 1 15.1 5.2 8.7 4 39.2 13.2 14.3 8 67.8 23.1 27.7 Yolov8s-Cls 1 9.9 1.3 1.9 4 14.7 1.5 2.3 8 22.6 2.0 2.9   最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。