Yolov5-DeepSORT-TensorRT
本项目是 Yolo-DeepSORT 的 C++ 实现，使用 TensorRT 进行推理
🚀🚀🚀 开源地址：Yolov5_DeepSORT_TensorRT，求 star⭐ ~
引言
- ⚡ 推理速度可达25-30FPS，可以落地部署；
- 🐳 提供了 dockerfile 以快速搭建开发环境，不用浪费时间配置环境了；
- 📥 下载并使用本文提供的 onnx 文件（见正文），在程序运行时会自动解析 onnx 并序列化出 engine 文件（*.trtmodel）到 workspace 目录下，无需自行转换；
我的另一个 PyTorch 版本的实现，含撞线检测，可对行人进行计数，开源地址：Yolov5_Deepsort_Person_Count
一、快速使用
💻 环境配置
参考项目内的 README 使用Docker容器，或参考下方自行配置：
- python: 3.8
- cuda: 11.2
- cudnn: 8.2.2.26
- tensorRT: 8.0.3.4
- protobuf: 3.11.4
📥 下载视频&模型
创建工作目录:
mkdir workspace
下载文件到 workspace 目录下：
| 文件 | 链接 |
|---|---|
| yolov5s.onnx | 下载 (提取码: tg42) |
| deepsort.onnx | 下载 (提取码: iyms) |
| test.mp4 | 下载 (提取码: vatx) |
yolo 的 onnx 导出自 yolov5-6.0，deepsort 的 onnx 导出自 deep_sort_pytorch，可参考脚本 exportOnnx.py
🏃 运行
修改 MakeFile 中的相关头文件和库文件路径（若使用本项目提供的 docker 则不需要），然后执行：
make run
项目运行时将显示推理结果，按 ESC 退出。
目前在 GeForce RTX 2060 上，推理 test.mp4 的速度约为 40 ms/帧，满足实时性要求。
二、文件说明
-
Infer、Yolo 和 DeepSORT 使用接口模式和 RAII 进行封装：
- infer.h， yolo.h，deepsort.h 仅暴露
create_*和推理接口 - 使用
create_*创建对象实例，将自动解析 onnx 文件，生成 engine 并加载
- infer.h， yolo.h，deepsort.h 仅暴露
-
infer.cpp: 分四个线程，两两之间为生产者-消费者关系：
三、项目参考
本项目构建过程中参考了以下优秀的开源项目，在此对这些项目的作者表示感谢：
- https://github.com/GesilaA/deepsort_tensorrt
- https://github.com/onnx/onnx-tensorrt/tree/release/8.0
- https://github.com/shouxieai/tensorRT_Pro
