English | 简体中文
🚀 TensorRT-YOLO 是一款专为 NVIDIA 设备设计的易用灵活、极致高效的YOLO系列推理部署工具。项目不仅集成了 TensorRT 插件以增强后处理效果，还使用了 CUDA 核函数以及 CUDA 图来加速推理。TensorRT-YOLO 提供了 C++ 和 Python 推理的支持，旨在提供📦开箱即用的部署体验。包括 目标检测、实例分割、图像分类、姿态识别、旋转目标检测、视频分析等任务场景，满足开发者多场景的部署需求。
Important
本仓库是社区版（6.4），许可证 GPL-3.0。社区版推理接口冻结，不再合入新的运行时架构。
专业版（闭源）将单独提供，源码不在本仓库。购买入口尚未开放，开放后会写在本 README。吞吐与能力对比见 社区版与专业版。
-
社区版（6.4）推理接口冻结；专业版将单独提供（购买入口尚未开放）。🌟 NEW
-
🔥 实战课程｜TensorRT × Triton Inference Server 模型部署
- 平台: BiliBili 课堂 | 微信公众号 🚀 HOT
- 团队: laugh12321 | 不归牛顿管的熊猫
- 🛠 硬核专题:
▸ 自定义插件开发（含Plugin注册全流程）
▸ CUDA Graph 原理与工程实践
▸ Triton Inference Server 部署技巧
-
2026-03-20: 添加对 YOLO26 的支持，包括分类、定向边界框、姿态估计以及实例分割。🌟 NEW
-
2026-01-07: 添加对 YOLO-Master 的支持，包括分类、定向边界框、姿态估计以及实例分割。🌟 NEW
-
2025-10-05：精度完美对齐，CUDA 完美复刻 LetterBox，绝大多数情况下像素误差为 0。Python 模块重大重构，易用性大幅提升。🌟 NEW
-
2025-06-09: C++仅引单头文件
trtyolo.hpp，零第三方依赖（使用模块时无需链接 CUDA 和 TensorRT），增加对带图像间距（Pitch）数据结构的支持，详见 B站。🌟 NEW -
2025-04-19: 添加对 YOLO-World, YOLOE 的支持，包括分类、定向边界框、姿态估计以及实例分割，详见 B站。🌟 NEW
-
2025-03-29: 添加对 YOLO12 的支持，包括分类、定向边界框、姿态估计以及实例分割，详见 issues。🌟 NEW
- 全面兼容：支持 YOLOv3 至 YOLO26，以及 YOLO-World、YOLO-Master 等多种变体，满足多样化需求，详见 🖥️ 模型支持列表。
- 灵活切换：提供简洁易用的接口，支持不同版本 YOLO 模型的快速切换。🌟 NEW
- 多场景应用：提供丰富的示例代码，涵盖Detect、Segment、Classify、Pose、OBB等多种应用场景。
- CUDA 加速：通过 CUDA 核函数优化前处理流程，并采用 CUDA 图技术加速推理过程。
- TensorRT 集成：深度集成 TensorRT 插件，显著加速后处理，提升整体推理效率。
- 多 Context 推理：支持多 Context 并行推理，最大化硬件资源利用率。🌟 NEW
- 显存管理优化：适配多架构显存优化策略（如 Jetson 的 Zero Copy 模式），提升显存效率。🌟 NEW
- 开箱即用：提供全面的 C++ 和 Python 推理支持，满足不同开发者需求。
- CLI 工具：命令行界面简洁直观，并支持自动识别模型结构，无需复杂配置。
- Docker 支持：提供 Docker 一键部署方案，简化环境配置与部署流程。
- 无第三方依赖：全部功能使用标准库实现，无需额外依赖，简化部署流程。
- 部署便捷：提供动态库编译支持，方便调用和部署。
- 多平台支持：全面兼容 Windows、Linux、ARM、x86 等多种操作系统与硬件平台。
- TensorRT 兼容：完美适配 TensorRT 10.x 版本，确保与最新技术生态无缝衔接。
- 预处理参数自定义：支持多种预处理参数灵活配置，包括 通道交换 (SwapRB)、归一化参数、边界值填充。🌟 NEW
- CUDA：推荐版本 ≥ 11.0.1
- TensorRT：推荐版本 ≥ 8.6.1
- 操作系统：Linux (x86_64 或 arm)（推荐）；Windows 亦可支持
首先，克隆 TensorRT-YOLO 仓库：
git clone https://github.com/laugh12321/TensorRT-YOLO
cd TensorRT-YOLO然后使用 CMake，可以按照以下步骤操作：
pip install "pybind11[global]" # 安装 pybind11，用于生成 Python 绑定
cmake -S . -B build -D TRT_PATH=/your/tensorrt/dir -D BUILD_PYTHON=ON -D CMAKE_INSTALL_PREFIX=/your/tensorrt-yolo/install/dir
cmake --build build -j$(nproc) --config Release --target install执行上述指令后，tensorrt-yolo 库将被安装到指定的 CMAKE_INSTALL_PREFIX 路径中。其中，include 文件夹中包含头文件，lib 文件夹中包含 trtyolo 动态库和 custom_plugins 动态库（仅在使用 trtexec 构建 OBB、Segment 或 Pose 模型时需要）。如果在编译时启用了 BUILD_PYTHON 选项，则还会在 trtyolo/libs 路径下生成相应的 Python 绑定文件。
Note
在使用 C++ 动态库之前，请确保将指定的 CMAKE_INSTALL_PREFIX 路径添加到环境变量中，以便 CMake 的 find_package 能够找到 tensorrt-yolo-config.cmake 文件。可以通过以下命令完成此操作：
export PATH=$PATH:/your/tensorrt-yolo/install/dir # linux
$env:PATH = "$env:PATH;C:\your\tensorrt-yolo\install\dir;C:\your\tensorrt-yolo\install\dir\bin" # windows如果您希望在 Python 上体验与 C++ 相同的推理速度，则编译时需开启 BUILD_PYTHON 选项，然后再按照以下步骤操作：
pip install --upgrade build
python -m build --wheel
pip install dist/trtyolo-6.*-py3-none-any.whl- 使用项目配套的
trtyolo-export工具包，将已经导出的 YOLO 系列 ONNX 模型转换为兼容 TensorRT-YOLO 推理的输出结构并构建为 TensorRT 引擎。
-
使用 Python 进行推理：
import cv2 import supervision as sv from trtyolo import TRTYOLO # -------------------- 初始化模型 -------------------- # 注意：task参数需与导出时指定的任务类型一致（"detect"、"segment"、"classify"、"pose"、"obb"） # profile参数开启后，会在推理时计算性能指标，调用 model.profile() 可获取 # swap_rb参数开启后，会在推理前交换通道顺序（确保模型输入时RGB） model = TRTYOLO("yolo11n-with-plugin.engine", task="detect", profile=True, swap_rb=True) # -------------------- 加载测试图片并推理 -------------------- image = cv2.imread("test_image.jpg") result = model.predict(image) print(f"==> result: {result}") # -------------------- 可视化结果 -------------------- box_annotator = sv.BoxAnnotator() annotated_frame = box_annotator.annotate(scene=image.copy(), detections=result) # -------------------- 性能评估 -------------------- throughput, cpu_latency, gpu_latency = model.profile() print(throughput) print(cpu_latency) print(gpu_latency) # -------------------- 克隆模型 -------------------- # 克隆模型实例（适用于多线程场景） cloned_model = model.clone() # 创建独立副本，避免资源竞争 # 验证克隆模型推理一致性 cloned_result = cloned_model.predict(input_img) print(f"==> cloned_result: {cloned_result}")
-
使用 C++ 进行推理：
#include <memory> #include <opencv2/opencv.hpp> #include "trtyolo.hpp" int main() { try { // -------------------- 初始化配置 -------------------- trtyolo::InferOption option; option.enableSwapRB(); // BGR->RGB转换 // 特殊模型参数设置示例 // const std::vector<float> mean{0.485f, 0.456f, 0.406f}; // const std::vector<float> std{0.229f, 0.224f, 0.225f}; // option.setNormalizeParams(mean, std); // -------------------- 模型初始化 -------------------- // ClassifyModel、DetectModel、OBBModel、SegmentModel 和 PoseModel 分别对应于图像分类、检测、方向边界框、分割和姿态估计模型 auto detector = std::make_unique<trtyolo::DetectModel>( "yolo11n-with-plugin.engine", // 模型路径 option // 推理设置 ); // -------------------- 数据加载 -------------------- cv::Mat cv_image = cv::imread("test_image.jpg"); if (cv_image.empty()) { throw std::runtime_error("无法加载测试图片"); } // 封装图像数据（不复制像素数据） trtyolo::Image input_image( cv_image.data, // 像素数据指针 cv_image.cols, // 图像宽度 cv_image.rows // 图像高度 ); // -------------------- 执行推理 -------------------- trtyolo::DetectRes result = detector->predict(input_image); std::cout << result << std::endl; // -------------------- 结果可视化（示意） -------------------- // 实际开发需实现可视化逻辑，示例： // cv::Mat vis_image = visualize_detections(cv_image, result); // cv::imwrite("vis_result.jpg", vis_image); // -------------------- 模型克隆演示 -------------------- auto cloned_detector = detector->clone(); // 创建独立实例 trtyolo::DetectRes cloned_result = cloned_detector->predict(input_image); // 验证结果一致性 std::cout << cloned_result << std::endl; } catch (const std::exception& e) { std::cerr << "程序异常: " << e.what() << std::endl; return EXIT_FAILURE; } return EXIT_SUCCESS; }
以下是predict方法的流程图，展示了从输入图片到输出结果的完整流程：
只需将待推理的图片传递给 predict 方法，predict 内部会自动完成预处理、模型推理和后处理，并输出推理结果，这些结果可进一步应用于下游任务（如可视化、目标跟踪等）。
更多部署案例请参考模型部署示例 .
专业版相对社区版不是小版本 bump，而是整条推理面重写。同一台 RTX 3080、YOLO11n FP16、batch=1、dummy 640×640 的 C++ 测速下，专业版墙钟吞吐更高：Detect +26.2%，Segment +20.1%。完整对比见 专业版页面。
条件：warmup 100 次、iterations 1000，每组 3 次取墙钟吞吐中位数。社区版同步
predict()；专业版submit/dequeue，含同步与双帧流水线。只测了 Detect / Segment。本轮 CUDA Graph 全开。
| 任务 | 社区版（同步） | 专业版（同步） | 专业版（双帧流水线） | 提升* |
|---|---|---|---|---|
| Detect | 877.7 qps（1.139 ms） | 1022.9 qps（0.978 ms） | 1107.5 qps（0.903 ms） | +26.2% |
| Segment | 273.1 qps（3.661 ms） | 321.5 qps（3.111 ms） | 328.1 qps（3.048 ms） | +20.1% |
*提升 = 社区版（同步）→ 专业版（双帧流水线）。双帧流水线：先提交 2 帧，再交错取结果，让 GPU 前后帧重叠；社区版无此 API。
| 组合 | 社区版 | 专业版（同步） | 专业版（双帧流水线） |
|---|---|---|---|
| Detect ×2 | N/A | 542.1 qps | 558.2 qps |
| Detect + Segment | N/A | 272.9 qps | 278.8 qps |
| Segment ×2 | N/A | 172.4 qps | 176.1 qps |
一次
Executor::open装多个 member、共享前处理，社区版无 ensemble API。
| 社区版 | 专业版 | |
|---|---|---|
| 流水线深度 | 仅同步 predict()，无 submit/dequeue |
可配置 in-flight 深度；推荐双帧流水线，Detect +8.3% 吞吐 |
| 多模型 Ensemble | 无 API | 一次 Executor::open 装多个 member、共享前处理，省一份输入显存 |
| 前处理 | 对齐 OpenCV；绝大多数像素误差为 0，少数 ±1 | 与 OpenCV 逐像素全零对齐；LUT 特化核，比开源版更快 |
| CUDA Graph | 首次推理会把 capture 算进性能报告，且无法只看稳态 | 库内自动回放；稳态跳过 SetParams；GPU timing 在图外 |
| 后处理插件 | 检测走内置 NMS；Pose / Seg / OBB 各有插件 | 一套插件覆盖 Detect / Pose / Seg / OBB |
| 多会话 | 再开会话要复制实例 | 已加载的模型上直接开多会话，不重复加载 |
| 公开接口 | InferOption + 按任务拆的 Model；一次 predict |
加载一次模型，多次开推理会话；按帧读取结果 |
| 构建 engine | Pose / Seg / OBB 还需把插件编进 engine | 构建步骤更简单；社区版 engine 不能直接用，需要重新导出 |
| Python 任务 | 必须手填 task=，且与导出一致 |
默认同 engine 推断，可覆盖 |
| TensorRT | ≥ 8.6.1 | ≥ 10（硬下限） |
| 源码与许可 | 公开仓库，GPL-3.0 | 闭源，单独授权 |
购买入口尚未开放，开放后会写在本 README。
开源不易，如果本项目对你有所帮助，欢迎通过赞助支持作者。你的支持是开发者持续维护的最大动力！
🙏 衷心感谢以下支持者与赞助商的无私支持：
Note
以下是 GitHub Actions 自动生成的赞助者列表，每日更新 ✨。
TensorRT-YOLO采用 GPL-3.0许可证，这个OSI 批准的开源许可证非常适合学生和爱好者，可以推动开放的协作和知识分享。请查看LICENSE 文件以了解更多细节。
感谢您选择使用 TensorRT-YOLO，我们鼓励开放的协作和知识分享，同时也希望您遵守开源许可的相关规定。
对于 TensorRT-YOLO 的错误报告和功能请求，请访问 GitHub Issues！
专业版尚未开放购买，请勿在 Issues 里询价；入口开放后会更新本 README。
给项目点亮 ⭐ Star 可以帮助我们优先关注你的需求，加快响应速度～
