一、原理篇

1）Trt基础知识

2）Trt plugin

3）int8量化算法和原理

4）cuda编程

5）onnx基础知识

6）yolov8网络架构

6.1 yolov5网络架构图

下面是主要架构展示：
①Conv = conv+BN+SiLU，stride=2表示下采样，在backbone中有5个stride=2的conv模块，2的5次方是32,640/32=20，所以就有了20x20的特征图

②Bottleneck有add为true和false两种，

③C3-n，n表示有n个Bottleneck

④SPFF:改进的空间计算

⑤因为有两种上采样的存在，所以输出有三种维度的特征图
上采样：上采样将深层特征图的分辨率提高（如从20×20上采样到40×40），与浅层特征拼接，保留细节信息的同时增强语义表达能力

6.2 yolov8s网络架构

• 与yolo5的不同点
  ①第一个conv不再是6x6的，而是3x3的
  ②C3-n模块换成了C2f模块
  ③C2f-n模块：
  1）split是在channel维度上做split
  2）后面每个bottleneck都有抽头，合起来concat有n+2个抽头

二、TensorRT原生API搭建网络

1）window实践

1.1 安装基础环境、pytorch、yolov8、trt、opencv

1.2 模型文件转换

1.3 编译trt加速的yolov8

1.4 执行trt加速后的命令(C++)

1.5 执行trt加速后的命令(python)

2）ubuntu实践

2.1 安装基础环境、pytorch、yolov8、trt、opencv

2.2 模型文件转换

2.3 编译trt加速的yolov8

2.4 执行trt加速后的命令(C++)

2.5 执行trt加速后的命令(python)

3）代码解析

3.1 代码解析先序知识

3.2 infer相关代码解析

3.3 yolo相关代码解析-前处理

3.3 yolo相关代码解析-后处理

3.4 detect.cpp代码解析

3.5 项目python代码解析

3.6 ubuntu代码的不同之处

三、使用Parser搭建网络

1）windows

1.1 安装基础环境、pytorch、yolov8、trt、opencv

1.2 模型文件转换

1.3 编译trt加速的yolov8

1.4 执行trt加速后的命令(C++)

1.5 执行trt加速后的命令(python)

1.6 yolov8的trt int8量化(PTQ)

2）ubuntu

2.1 安装基础环境、pytorch、yolov8、trt、opencv

2.2 模型文件转换

2.3 编译trt加速的yolov8

2.4 执行trt加速后的命令(C++)

2.5 执行trt加速后的命令(python)

2.6 yolov8的trt int8量化(PTQ)

3）代码解析

3.1 gen_wts.py代码解析

3.2 yolov8的预处理相关代码解析

3.3 yoloLayerPlugin代码解析

3.4 yolo组件相关代码解析

3.5 yolo模型构建相关代码解析

3.6 int8量化校准器代码解析

3.7 main.cpp代码解析

3.8 yolo8_trt.py代码解析

3.9 代码更新