路由网https://www.php.cn/link/e3752bd232f5ce0a575ae0a35c06c79c
近期，YOLOv8官方发布了全新的YOLOv11框架，为当前目标检测领域再添一员得力助手。本文记录了在Windows系统下成功部署YOLOv11的TensorRT模型全过程。
重要提示：环境配置属于基础操作，本文不详细展开安装流程，相关步骤可通过搜索引擎查找对应资源完成。
测试通过环境配置：
- 操作系统：Windows 10（RTX2070，8GB显存）
- 开发工具：Visual Studio 2019
- CMake：3.24.3
- CUDA：11.7.1 + cuDNN：8.8.0
- TensorRT：8.6.1.6
- OpenCV：4.8.0
- Python环境：Anaconda3 + Python 3.8
- PyTorch：1.9.0 + cu111
- Ultralytics：8.3.3
部署流程说明：
部署中最耗时的部分是环境搭建。首先确认系统为Windows 10或11，并配备NVIDIA独立显卡。可通过任务管理器查看（Win10使用
，Win11使用 ），进入“性能”标签页查看GPU信息。
785b7ad428034221a4ff1a167855b167.png
立即学习“C++免费学习笔记（深入）”；
若显示GPU0、GPU1等设备，且标注为“NVIDIA”，则说明具备可用的独立显卡。若为AMD或集成显卡，则不支持CUDA及TensorRT加速。
接下来需安装以下软件（建议版本一致以快速复现）：
- VS2019 或 VS2022
- CMake 3.24.3
- CUDA 11.7.1 + cuDNN 8.8.0
- TensorRT 8.6.1.6
- OpenCV 4.8.0
- Anaconda3 + Python 3.8
- PyTorch 1.9.0 + cu111
- Ultralytics 8.3.3
确保上述环境均已正确安装后，开始正式部署。
模型准备与ONNX转换：
前往YOLOv8官方仓库下载YOLOv11模型权重：
? yolo11n.pt 下载地址
将下载的
放入项目目录，在已配置好的YOLO环境（如conda环境）中运行以下命令导出ONNX模型：
或直接运行项目中的
脚本：
成功后将生成
文件。
C++项目编译：
修改项目根目录下的
，设置OpenCV和TensorRT的安装路径：
随后创建构建目录并生成项目：
601145cbd0fb446290fb27b11fbc2117.png
进入
目录，用Visual Studio打开生成的 文件。
70e777a66b54441ca8f17ffb2d9ab09b.png
选择 x64 Release 模式，右键点击
项目，选择“生成”。
40ae80d428e44f089f115723678e3122.png
编译成功后，可在
目录下找到生成的 可执行文件。
ONNX转TensorRT引擎：
使用TensorRT自带的
工具将ONNX模型转换为TensorRT引擎：
等待约20分钟，生成
文件。将其复制到 文件夹中。
039d294b13854248a4a636bfcffeba0e.png
推理测试：
图片检测：
视频检测：
注意事项：
- TensorRT引擎与硬件强相关，不可跨设备通用，需在目标机器上重新生成。
- 如需进行二次开发，建议深入阅读 源码，需具备一定的C++编程基础。
- 完整源码可从以下链接获取：
? CSDN资源下载链接
