一、部署环境

• TensorRT 8.6

• CUDA 11.7

• TensorRTx

二、TensorRTx 核心优势

• 针对自定义网络做了比原生 TensorRT 更深度的优化。

• 在 NVIDIA 4090 上，YOLOv5s 的 TensorRTx 推理速度比原生 TensorRT 快 15-25%，FP16 精度下可达 350+ FPS（可参考该性能表现，YOLOv8 部署后性能优势一致）。

三、跨平台 / 跨版本兼容性

TensorRTx 封装了版本适配逻辑，同一套代码可兼容 TensorRT 8.0-8.6，且提供了跨平台的 CUDA 核函数实现，无需额外修改代码即可适配不同环境。

四、部署步骤

4.1 克隆 TensorRTx 仓库

git clone https://github.com/wang-xinyu/tensorrtx.git

4.2 下载 YOLOv8 权重文件

# 进入 YOLOv8 部署目录
cd tensorrtx/yolov8
# 下载 YOLOv8n.pt（轻量版，适合快速测试；也可替换为 s/m/l/x 版本）
wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt

4.3 将 .pt 权重转为 .wts 格式

python gen_wts.py -w yolov8n.pt -o yolov8n.wts -t detect

4.4 配置参数并将 .wts 权重转为 .engine 格式

4.4.1 修改配置文件

打开路径~/yolov8_tensorrt/yolov8/include/config.h，根据自身需求修改以下参数（默认适配 COCO 数据集，无需额外修改可直接使用）：

• 默认 kNumClass=80（对应 COCO 数据集 80 类别），若使用自定义数据集，需修改为自身数据集的类别数。

• 输入尺寸默认 kInputH=640、kInputW=640，匹配 YOLOv8 默认输入尺寸，无需修改。

• 默认量化方式为 FP16，适配 4090 性能最优，无需修改。

4.4.2 修改 CMakeLists.txt 并编译

# 修改 CMakeLists.txt 中 TensorRT 路径（根据自身 TensorRT 安装路径调整）
# 编译构建
mkdir build
cd build
cp yolov8.wts build
cmake ..
make

4.4.3 链接库并执行转换

# 链接 TensorRT 库（根据自身 TensorRT 安装路径调整）
export LD_LIBRARY_PATH=/usr/local/TensorRT-8.4.3.1/lib/:$LD_LIBRARY_PATH
# 执行权重转换（生成 yolov8.engine 文件）
./yolov8_det -s yolov8n.wts yolov8.engine n