Windows编译运行yolov9-bytetrack-tensorrt（C++）
- 1 基础环境
- 2 编译yolov9-bytetrack-tensorrt
- （1）下载yolov9-bytetrack-tensorrt源码
- （2）修改CMakeLists.txt
- （3）CMake编译
- 3 yolov9模型转换成TensorRT模型
- （1）下载yolov9
- （2）下载预训练模型
- （3）将模型转换成onnx格式
- （4）将onnx模型转换成tensorrt格式
- 4 执行程序
- 参考文章
1 基础环境
TensorRT 8.6
CUDA 11.8
Eigen 3.3
OpenCV 4.8（CUDA 11.8编译）
Visual Studio 2017 C++17编译器
CMake 3.21.4
Windows 10
2 编译yolov9-bytetrack-tensorrt
（1）下载yolov9-bytetrack-tensorrt源码
项目地址spacewalk01/yolov9-bytetrack-tensorrt
（2）修改CMakeLists.txt
设置opencv、Eigen和tensorrt路径。
# Find Eigen library
#find_package(Eigen3 3.3 REQUIRED)
include_directories(D:/Librarys/eigen-3.3.3)# Find and include OpenCV
set(OpenCV_DIR "D:/Program Files/opencv/opencv-4.8.0/install")
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})# Set TensorRT path if not set in environment variables
set(TENSORRT_DIR "D:/Librarys/TensorRT-8.6.1.6")
（3）CMake编译
使用VS2017编译器C++17，CUDA用v11.8。
注意：cuda默认会找环境变量中CUDA_PATH对应的版本，如果opencv是cuda编译的，该cuda版本要一致，避免出错。
3 yolov9模型转换成TensorRT模型
（1）下载yolov9
创建conda环境，下载yolov9代码，并执行以下命令，详细参考前文yolov9训练自己的数据。
$ git clone https://github.com/WongKinYiu/yolov9.git
$ cd yolov9
$ conda create --name yolov9 python=3.8
$ pip install -r requirement.txt
（2）下载预训练模型
yolov9-c.pt
（3）将模型转换成onnx格式
a. 将TensorRT-YOLOv9目录下的 reparameterize.py放到yolov9目录下，在yolov9目录下执行以下命令，也可以直接官网下载转换好的模型yolov9-c-converted.pt。
python reparameterize.py yolov9-c.pt yolov9-c-converted.pt
b. 导出onnx模型，在yolov9目录下执行以下命令，生成yolov9-c-converted.onnx
python export.py --weights yolov9-c-converted.pt --include onnx
（4）将onnx模型转换成tensorrt格式
在D:\Librarys\TensorRT-8.6.1.6\bin目录下执行以下命令：
trtexec.exe --onnx=yolov9-c-converted.onnx --explicitBatch --saveEngine=yolov9-c.engine --fp16
4 执行程序
显卡GTX1080，推理时间约50ms。
参考文章
spacewalk01/yolov9-bytetrack-tensorrt
