1. 安装 YOLOv8

pip install ultralytics

• 建议同时从 GitHub 上 clone 或下载一份 YOLOv8 源码到本地；
• 根据 GitHub 上 YOLOv8 的 README 中的链接下载检测模型，如：yolov8s-seg.pt；
• 在本地 YOLOv8一级 ultralytics 目录下，新建 weights 目录，并且放入下载的yolov8s-seg.pt模型

2. 安装onnx相关库

pip install onnx==1.12.0
pip install onnxsim==0.4.33

3. 导出onnx模型

• 可以在一级 ultralytics 目录下，新建 export_onnx.py 文件
• 向文件中写入如下内容：

from ultralytics import YOLO

model = YOLO("./weights/yolov8s-seg.pt")
path = model.export(format="onnx", simplify=True, device=0, opset=12, dynamic=False, imgsz=640)

• 运行 python export_onnx.py 后，会在 weights 目录下生成 yolov8s-seg.onnx

1. Python库基本要求如下，大版本满足即可：

tensorrt==8.2.4.2
cuda-python==12.1.0
opencv-python==4.9.0.80

如果基本要求已满足，可直接到后面的模型转换部分

2. 如果是 Linux x86_64 服务器上，建议使用 docker

• 具体环境构建，可参考这个链接 构建TensorRT环境 的环境构建部分

3. 如果是边缘设备，如：Jetson Nano

• 烧录 Jetpack 4.6.1 系统镜像，网上烧录镜像资料还是很多的，这里就不赘述了
• Jetpack 4.6.1 系统镜像原装环境如下：

• 安装必要的 python 库

pip install cuda-python

1. 切换到当前项目目录下；
2. 如果是自己数据集上训练得到的模型，记得更改 config.py 中的相关配置；
3. 新建 onnx_model目录，并将已导出的 onnx 模型拷贝到 onnx_model 目录下
4. 执行以下命令：

python main.py  # 不存在trt模型时，会先构建trt模型然后推理；存在trt模型时，直接加载trt模型然后推理

之后转换后的模型，以及首次 TensorRT 的推理结果都会保存到当前目录下