背景
背景是需要在nvidia jetpack4.5.1的arm64设备上跑yolov8,用TensorRT加速,需要用*.engine格式的模型,但是手头上的是pt格式模型,众所周知小板子的内存都很小,连安装ultralytics依赖库的容量都没有,所以我想到在windows系统上先把模型转好,然后再直接放在板子上用。
下载ultralytics yolov8
https://github.com/ultralytics/ultralytics
找到exporter.py
我以为是直接在这个exporter.py上直接改参数来转模型,找了半天找不到,然后直接运行这个python文件也是失败报错,后来才看到这个exporter.py上面有教如何使用
- 安装依赖库
bash
pip install "ultralytics[export]
等待安装好,这需要很长时间
然后不是直接运行这个exporter.py文件,而是像提示里面一样,创造一个py文件,在文件里面复制这几行然后改参数就行了
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.export(format='onnx')
结果我运行了会报错找不到gpu
bash
assert self.im.device.type != 'cpu', "export running on CPU but must be on GPU, i.e. use 'device=0'"
AssertionError: export running on CPU but must be on GPU, i.e. use 'device=0
查了是需要指定gpu,然后我尝试在python里指定gpu,都还是报这个错,突然看到有提示需要device=0,我想这是加在哪里的呢,后来发现是在下面那个cli命令行加
尝试一步到位转成engine模型
bash
yolo mode=export model=Gap.pt format=engine
报错assert self.im.device.type != 'cpu', "export running on CPU but must be on GPU, i.e. use 'device=0'"
bash
assert self.im.device.type != 'cpu', "export running on CPU but must be on GPU, i.e. use 'device=0'"
解决办法就是在后面加一个device=0
bash
yolo mode=export model=Gap.pt format=engine device=0
把模型放在小板子上用结果报错ERROR: coreReadArchive.cpp (31) - Serialization Error in verifyHeader: 0 (Magic tag does not match)
查了下,我真是慌了,意思是编译engine时候的使用的tensorrt版本与使用trt推理时候的tensorrt版本不一致,需要一致才行
,排查下各自是什么版本
- linux查tensorRT版本
bash
ldd 可执行文件
可以看到生成可执行文件的tensorRT是7版本
这个命令行也可以查询到
bash
dpkg -l | grep TensorRT
能看到是7.1.3版本的tensorRT
- windows查tensorRT版本
python
import tensorrt as trt
print(f'TensorRT version: {trt.__version__}')
可以看到我在编译engine时候的使用的tensorrt版本是8.4,版本不匹配,所以trt推理失败。
然后我寻思arm64环境是不方便更改的,那我就降低windows端的tensorRT版本,我就去nvidia官网下载(https://developer.nvidia.com/tensorrt/download)结果,官网都不提供7.1版本的tensorRT下载了,一下子又不知道该怎么解决了。
我突然想到既然直接使用engine不行,那我用生成出来的onnx模型再在arm64上转成engine行不行
aarch64上onnx转engine模型
找到你本机上的trt转模型可执行文件
bash
sudo find / -name trtexec
复制到你的模型文件夹
bash
./trtexec --onnx=/home/adlink/wjp/YoloV8-TensorRT-Jetson_Nano-main/models/yolov8n.onnx --saveEngine=yolov8n.engine --fp16=fp32
结果还是报错volume mismatch,Input dimensions [1,33,8400] have volume 277200 and output dimensions [1,4,16,8400] have volume 537600.
仿佛又没有办法解决了,难道非要统一版本,但是这上面尝试过已知道是非常困难的,我尝试用其他办法,后来尝试更换参数,发现是opset版本太高的问题,好像默认是17,而aarch64上的版本很低,需要在yolo转pt为onnx的步骤加指定opset的参数
bash
yolo export model=yolov8s.pt format=onnx opset=11 simplify=True
再把生成的onnx文件用trtexec转
bash
./trtexec --onnx=/home/adlink/wjp/YoloV8-TensorRT-Jetson_Nano-main/models/yolov8n.onnx --saveEngine=yolov8n.engine --fp16=fp32
就转成功了,跑模型也没问题!
特别说明下
bash
[TRT] Some tactics do not have sufficient workspace memory to run. Increasing workspace size may increase performance, please check verbose output.
中间会在这个步骤停很长时间,这个不是报错,静静等待就好了,过一会就能成功转换onnx为engine模型了