[C++]使用C++部署yolov11目标检测的tensorrt模型支持图片视频推理windows测试通过

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

Ctrl+Alt+Delete

Ctrl+Shift+Esc

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

yolo11n.pt

yolo export model=yolo11n.pt format=onnx dynamic=False opset=12

或直接运行项目中的

export.py

python export.py

成功后将生成

yolo11n.onnx

AGI-Eval评测社区

AI大模型评测社区

63

查看详情

C++项目编译：

修改项目根目录下的

CMakeLists.txt

# Find and include OpenCV
set(OpenCV_DIR "D:\\lufiles\\opencv480\\build\\x64\\vc16\\lib")
<h1>Set TensorRT path if not set in environment variables</h1><p>set(TENSORRT_DIR "D:\lufiles\TensorRT-8.6.1.6")

随后创建构建目录并生成项目：

mkdir build
cd build
cmake ..

601145cbd0fb446290fb27b11fbc2117.png

进入

build

.sln

70e777a66b54441ca8f17ffb2d9ab09b.png

选择 x64 Release 模式，右键点击

ALL_BUILD

40ae80d428e44f089f115723678e3122.png

编译成功后，可在

buildRelease

yolov11-tensorrt.exe

ONNX转TensorRT引擎：

使用TensorRT自带的

trtexec

trtexec --onnx=yolo11n.onnx --saveEngine=yolo11n.engine --fp16

等待约20分钟，生成

yolo11n.engine

buildRelease

039d294b13854248a4a636bfcffeba0e.png

推理测试：

图片检测：

yolov11-tensorrt.exe yolo11n.engine "test.jpg"

视频检测：

yolov11-tensorrt.exe yolo11n.engine "car.mp4"

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

  main.cpp

  登录后复制
  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

以上就是[C++]使用C++部署yolov11目标检测的tensorrt模型支持图片视频推理windows测试通过的详细内容，更多请关注php中文网其它相关文章！