前言
最近在学习yolo相关的知识，关于yolo的原理，网络，代码等部分，互联网上已经有了比较充足的分享，基本上一路学来都比较顺利，在最后部署的部分碰到了一些小问题，简单记录一下，也供同样学习yolo模型的朋友们参考。
大部分朋友学习yolo应该都是用的ultralytics发布在github上的yolov5代码，关于yolov5相关的介绍我就不废话了，虽然之前提到关于yolov5，网络上已经有了充分的资源，但是因为yolov5的代码仍在不停更新（感谢无数的开源者），所以网上的一些资源有些也难免过时，让参考者绕一些弯路，所以我将分享一下我在v7.0版本的yolov5模型部署过程中的一些踩坑经验。
可能遇到的坑，文章中都有可能有效的解决措施：
（1）转换ONNX模型时，报错。
ONNX: export failure ❌ 0.0s: Unsupported ONNX opset version: 17
（2）Windows安装tensorrt时，报错。
The package you are trying to install is only a placeholder project on PyPI.org repository.
This package is hosted on NVIDIA Python Package Index.
（3）Linux转换tensorrt模型时，报错。
[TRT] [W] CUDA initialization failure with error: 35. Please check your CUDA installation: http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
TensorRT: export failure ❌ 3.7s: pybind11::init(): factory function returned nullptr
（4）转换TensorRT模型时，显存不够报Warning。
[TRT] [W] Requested amount of GPU memory (1073741824 bytes) could not be allocated. There may not be enough free memory for alloca
tion to succeed.
[TRT] [W] Skipping tactic 9 due to insufficient memory on requested size of 1073741824 detected for tactic 0x000000000000003c.
Try decreasing the workspace size with IBuilderConfig::setMemoryPoolLimit().
（5）转换TensorRT模型时，显存不够报错。
[TRT] [W] Requested amount of GPU memory (1024 bytes) could not be allocated. There may not be enough free memory for allocation t
o succeed.
[TRT] [E] 2: [globWriter.cpp::nvinfer1::builder::HybridGlobWriter::HybridGlobWriter::397] Error Code 2: OutOfMemory (no further in
formation)
ONNX
关于模型部署的一些基本知识，我推荐可以看这篇文章，当然我也才接触模型部署几天而已，并没有了解的很深入。一言以蔽之，将pytorch模型部署在一些终端上，我们需要先将.pt模型转换为.onnx的中间表示，再将.onnx的中间表示转换为能够在推理引擎上运行的模型。而.onnx模型除了是我们连接二者的桥梁，它本身也是可以运行在ONNXRuntime上的模型。
模型部署基础知识
将yolov5训练得到的pt模型转换为onnx非常简单，首先我们需要先安装两个python库。在使用yolov5时，我们都知道需要先执行指令
pip install -r requirements.txt
来安装运行yolov5必须的python库。如果我们打开requirements.txt查看，我们可以发现，还有一些注释掉的库没有被安装，其中就有用于模型转换的库，所以我们需要根据我们的目标模型安装其中的python库。
在安装了onnx相关的库之后，我们就可以使用yolov5提供的export.py文件导出onnx模型了，通过参数选择待转换的权重文件与导出格式即可，生成的.onnx模型文件和原权重文件在同一目录下。
在转换onnx模型时，可能会遇到报错
ONNX: export failure ❌ 0.0s: Unsupported ONNX opset version: 17
只需要在转换时调整参数opset即可，需要根据安装的onnx库的版本调整，我安装的onnx库的版本是1.12.0。因此最后转换onnx模型的命令是
python export.py --weights 要转换的权重文件相对于执行路径(…/yolov5)的相对路径 --include onnx --opset 12
OPENVINO
将.pt模型转换为openvino模型我踩的一个坑是，因为早期的yolov5的export.py中并不支持直接将.pt模型转换为openvino模型，所以网络上的资源大部分都会提供如何安装openvino相关支持的方法，如今如果再采用这样的方法无疑是绕了弯路。现在只需要和转换onnx模型一样，安装相应的库之后，我们直接使用指令就可以完成.pt模型到openvino模型的转换，代码会自动帮你完成.pt到.onnx到openvino的转换，非常方便，指令参考如下：
python export.py --weights .pt权重文件路径 --include openvino
和.pt权重文件，.onnx权重文件不同的是，openvino的模型是一个以_openvino_model结尾的目录，我们在使用模型时直接调用这个目录即可，yolov5目前已经支持这种调用方式了。
python detect.py --weights D:\MITK\yolov5\weights\l\yolov5l_openvino_model\
TensorRT
TensorRT应该是最容易出问题的部分了，根据我的踩坑经历，TensorRT的坑主要集中在安装部分。
（1）Windows不支持通过pip的方式安装tensorrt相关的库，在pip安装时会报错。
The package you are trying to install is only a placeholder project on PyPI.org repository.
This package is hosted on NVIDIA Python Package Index.
（2）Linux系统尽管支持通过pip的方式安装tensorrt相关的库，但是通过pip方式安装的tensorrt库后，在执行export.py时会报错。这个错误的原因似乎是因为TensorRT与CUDA的版本不匹配，然而pip安装的TensorRT是8.6.0版本，CUDA是11.6版本，按道理是可以匹配的。
[TRT] [W] CUDA initialization failure with error: 35. Please check your CUDA installation: http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
TensorRT: export failure ❌ 3.7s: pybind11::init(): factory function returned nullptr
上述两个问题，我个人认为都是安装TensorRT这一步的问题，TensorRT并不适合用pip的方式安装，无论是Windows系统还是Linux系统，我都建议通过从官网下载安装包的方式安装TensorRT。
TensorRT官方下载地址
目前我选择的TensorRT的版本是8.5版本，在此基础上根据你的操作系统，CUDA版本选择相应的TensorRT安装包即可。Windows系统只有一个选择这里就不赘述，Linux系统下有多种选择，因为笔者并不熟悉Linux系统，所以选择了用.tar.gz压缩包安装。
Windows和Linux系统下载得到的安装包，目录结构和后续的操作都是基本相同的，所以这里主要用Windows系统下的安装来做示范。
我们下载得到安装包之后，安装包的目录如下，其中有两个目录比较重要，第一个是lib目录，第二个是python目录。
对于lib目录，如果是Windows系统，我们需要将这个目录下的全部文件复制到CUDA安装目录的bin目录中（按照常理来说，在你开始尝试YOLO时就应该已经配置好了CUDA，cuDNN，pytorch的环境，不会不清楚CUDA安装目录的bin目录，如果不知道，烦请查阅CUDA的安装教程）。
对于Linux系统，我们则需要通过命令将lib目录加到PATH中，因为笔者也不太清楚Linux操作系统，这里提供一条我使用的指令。
export LD_LIBRARY_PATH=lib目录绝对路径:$LD_LIBRARY_PATH
下一步，我们进入python目录，同时激活yolov5运行的虚拟环境（如果不使用虚拟环境可以不激活），该目录下有数个whl文件用于安装tensorrt库，我们只需要根据我们的python版本选择相应的whl文件，pip安装即可。
pip install tensorrt-8.5.3.1-cp38-none-win_amd64.whl
补充：Linux系统下似乎并非不能用pip的方式直接安装tensorrt，报错可能是因为显存不足导致的，如果有相似的情况还请大家能够分享一下。
20230414：
对于Linux而言不需要这么复杂，经过个人的测试，基本上可以确定上述报错是由于tensorrt的版本问题，使用pip直接安装tensorrt完全可以直接使用，但是需要指定版本，不指定版本会自动安装8.6.0版本的tensorrt，指定为8.5.3.1版本就可以。
pip install tensorrt==8.5.3.1
参考：Windows TensorRT安装
Linux TensorRT安装
安装了TensorRT之后，我们就可以通过export.py转换模型了，指令也是相同的。这里需要注意转换tensorrt模型时，我们需要使用GPU设备来转换，所以需要额外制定一下device参数。
python export.py --weights pt权重路径 --include engine --device 0
这里需要注意，如果显存不够，转换时会报Warning，提示跳过了一些策略，虽然并不影响engine模型的生成，但不知道会不会影响最终的加速效果。
[TRT] [W] Requested amount of GPU memory (1073741824 bytes) could not be allocated. There may not be enough free memory for alloca
tion to succeed.
[TRT] [W] Skipping tactic 9 due to insufficient memory on requested size of 1073741824 detected for tactic 0x000000000000003c.
Try decreasing the workspace size with IBuilderConfig::setMemoryPoolLimit().
当然，如果显存过小，模型的转化也可能无法完成。
[TRT] [W] Requested amount of GPU memory (1024 bytes) could not be allocated. There may not be enough free memory for allocation t
o succeed.
[TRT] [E] 2: [globWriter.cpp::nvinfer1::builder::HybridGlobWriter::HybridGlobWriter::397] Error Code 2: OutOfMemory (no further in
formation)
这些问题都只能通过增加显存的方式来解决。
小结
折腾了大概两天关于模型的部署，算是勉强把yolov5模型的部署操作弄明白了，希望能够帮助到需要的人。
