Windows 下 YOLO11 Det 的 TensorRT C++ 部署

Windows 下 YOLO11 Det 的 TensorRT C++ 部署

摘要：本文介绍如何在 Windows 下使用 TensorRT 10.16 以 C++ 部署 YOLO11 目标检测模型。内容涵盖环境准备（VS2022、CMake、CUDA 12.9、OpenCV 4.8.1、TensorRT）、工程编译与验证、模型导出（FP32/FP16/INT8）与 engine 序列化，以及命令行推理和部署自训练模型的完整流程。实测 C++ 实现推理单帧约 1.4 ms，相比 ultralytics Python 推理提升约 14 倍。

注：仓库在不断更新，近期会支持多路视频流的并发高性能推理和实时显示

目录

前言

一、先看结果

1.1 速度

1.2 复现效果：本仓库 TensorRT vs ultralytics

二、Windows环境准备

2.1 版本清单

2.2 装 VS2022 和 CMake

2.3 装 CUDA 12.9

2.4 解压 OpenCV 4.8.1

2.5 解压 TensorRT 10.16.1.11

三、编译

3.1 拉代码

3.2 配置：cmake一把，建立vs工程

3.3 编译

3.4 验证

3.5 编译期常见错误

四、准备模型

4.0 直接下载模型

4.1 手动导出onnx

4.2 量化导出（FP16 / INT8）

4.3 转成 engine

4.4 引擎文件放哪

五、跑起来

5.1 目录准备

5.2 检测

5.3 参数source

六、部署自己训练的模型

6.1、训练

6.2、导出onnx

6.3、使用trtexec序列化

6.4、新建ini格式配置文件

6.5、执行

前言

这是一个系列教程，本片主要讲：YOLO11的目标检测，其他分类、分割、特征点、深度图都有。

仓库：TensorRT-Alpha 未来还会部署的模型包含SAM系列视觉LLM

仓库支持的模型矩阵

✅ 已跑通并实测 · 🚧 规划中 · — 未提供

其他（沿用 legacy 资产）

一、先看结果

1.1 速度

三组柱子，每组左边蓝色是这套 C++ 实现，右边橙色是 ultralytics 官方 Python 推理。测试片段是 1912×1080 的视频，imgsz 640，C++ 这边 batch=2 折算到每帧，Python 那边 batch=1：

Python 那边是 CPU 版 torch，不是显卡没跑起来，是我故意用 CPU 版对拍的。拿 GPU 版 torch 比，后处理那栏它反而会好看一些（NMS 在 GPU 上做），预处理和推理还是差一个量级。

图上的柱子是纯计算，不含数据搬运。C++ 这边上传的是一整张 1912×1080 的原图，一帧 6.19 MB，走的还是 pageable 内存，光这一步就 0.68 ms，比预处理 kernel 本身贵十几倍。等后面接了 GStreamer 让解码直接落显存，这 0.68 ms 就没了，这也是下一阶段性能提升最大的一块。

还有一点得说明白：2.248 ms 折下来 445 fps，是算上那 0.68 ms 搬运的上限。真跑视频的时候达不到，瓶颈在解码线程，实测整条流水线大概 240 fps 上下（GPU 利用率只有三成左右，活都在 CPU 解码上）。别看到 445 就以为写进播放器能跑 445。

1.2 复现效果：本仓库 TensorRT vs ultralytics

左边是这套 C++ 实现跑出来的，右边是 ultralytics 官方 PyTorch 输出，框、置信度、掩码都是对齐的。

二、Windows环境准备

2.1 版本清单

2.2 装 VS2022 和 CMake

从官网下 Community 版就行，安装器默认停在“工作负载”那一页，只需要勾一个：

就是图上红框那个“使用 C++ 的桌面开发”。右侧默认组件里已经带了 MSVC v143 和 Windows 10/11 SDK，不用额外加。装完重启一次。CMake 直接去官网下，版本要求 3.25 以上。

2.3 装 CUDA 12.9

NVIDIA 官网的 CUDA Toolkit Archive 页面找 12.9，下载 exe (local)，三个多 G，装的时候选“自定义”，只留 CUDA 那一组组件，Visual Studio Integration 一定要勾上。

装完开个新的 PowerShell：

nvidia-smi nvcc -V

nvidia-smi 右上角会显示驱动支持的最高 CUDA 版本，nvcc -V 打出 12.9 就对了。新开的窗口才能读到 CUDA_PATH，装完不重开窗口可能会说找不到，别急着怀疑装坏了。

2.4 解压 OpenCV 4.8.1

下载 opencv-4.8.1-windows.exe，双击，解压路径填：

D:\ThirdParty

不要勾 “Add to the system PATH”。这一步只是解压，不写注册表、不改环境变量。

解压完的目录长这样：

D:\ThirdParty\opencv\build\x64\vc16\ ├── bin\ opencv_world481.dll 等 └── lib\ opencv_world481.lib + OpenCVConfig.cmake

后面配置时 -DOpenCV_DIR 要指到 D:\ThirdParty\opencv\build\x64\vc16\lib 这一层，也就是 OpenCVConfig.cmake 所在的那层。指到 opencv 根目录会报 Could not find OpenCV，这是最常见的错。

vc16 是 VS2019/2022 的 ABI，MSVC 从 19.2 到 19.4 都是这个目录，VS2022 直接用没问题。

2.5 解压 TensorRT 10.16.1.11

下载 TensorRT-10.16.1.11.Windows.amd64.cuda-12.9.zip，解压到 D:\ThirdParty，得到：

D:\ThirdParty\TensorRT-10.16.1.11\ ├── bin\ nvinfer_10.dll、trtexec.exe ├── include\ NvInfer.h └── lib\ nvinfer_10.lib、nvonnxparser_10.lib

同样不跑安装程序、不加 PATH，这个版本的 TensorRT 就是绿色包。OpenCV 和 TensorRT 都别手动往系统环境变量里塞，后面 DeployRuntime.cmake 会把 dll 拷到 exe 旁边。

三、编译

3.1 拉代码

cd D:\VS2022_Project git clone -b v2-dev https://github.com/FeiYull/TensorRT-Alpha.git cd TensorRT-Alpha

路径按你自己习惯改，后面所有命令里的 D:\VS2022_Project\TensorRT-Alpha 都跟着换。

3.2 配置：cmake一把，建立vs工程

下面指令，换成你的实际路径就行！

cmake -S D:\VS2022_Project\TensorRT-Alpha ` -B D:\VS2022_Project\TensorRT-Alpha\build ` -G "Visual Studio 17 2022" -A x64 ` -DOpenCV_DIR=D:/ThirdParty/opencv/build/x64/vc16/lib ` -DTensorRT_ROOT=D:/ThirdParty/TensorRT-10.16.1.11

配置跑完，最后几行应该有这些：

-- [CUDA] arch detected from local GPU: 120 -- [OpenCV] version : 4.8.1 -- [OpenCV] dir : D:/ThirdParty/opencv/build/x64/vc16/lib -- [TensorRT] root : D:/ThirdParty/TensorRT-10.16.1.11 -- [TensorRT] nvinfer : .../nvinfer_10.lib -- [TensorRT] onnxparser : .../nvonnxparser_10.lib -- [TensorRT] CUDA : 12.9 @ ...

如下图：

3.3 编译

可以用vs2022直接打开编译：

也可以使用指令直接编译

cmake --build build --config Release -j 24

编完的产物：

build\bin\Release\trt_alpha.exe

旁边会多出一堆 dll。这是 cmake/DeployRuntime.cmake 干的活：编译完自动把 OpenCV、TensorRT、CUDA 运行时的 dll 拷到 exe 旁边。因为 Windows 加载器找 dll 的第一优先级就是 exe 所在目录，所以不用给 PATH 加任何东西。

目录里长这样：

trt_alpha.exe 旁边是 opencv_world、nvinfer_10、nvinfer_plugin_10、nvonnxparser_10 这些 dll，再往下是 samples 和 test 编出来的一堆 exe，跑单测用的。

3.4 验证

.\build\bin\Release\trt_alpha.exe list

打出 31 个模型名，说明注册表、静态库、链接全通了：

Registered models (31): efficientdet u2net yolo_nas yolor yolov10 yolov11 yolov11_cls yolov11_obb yolov11_pose yolov11_seg yolov26 yolov26_cls yolov26_depth yolov26_obb yolov26_pose yolov26_seg yolov26_sem yolov3 yolov4 yolov5 yolov6 yolov7 yolov8 yolov8_cls yolov8_obb yolov8_pose yolov8_seg yolov9 yolov9_seg yolox yunet

list 打出来的名字就是 --net 能接受的值，同时也决定默认读 configs/<名字>.ini。比如 --net yolov11_seg 读的就是 configs/yolov11_seg.ini。

3.5 编译期常见错误

四、准备模型

4.0 直接下载模型

onnx文件可以自己导出，也可以直接下载我提供的，在页面链接最下： https://github.com/FeiYull/TensorRT-Alpha/releases/download/v1.0.0/yolo11n.onnx 或者你也可以按照如下步骤自己导出模型。

4.1 手动导出onnx

Python 的 yolo 环境，一句指令的事情：

pip install ultralytics # FP32，精度对齐用这个 yolo export model=yolo11n.pt format=onnx imgsz=640 batch=2 opset=17 simplify=True

导出文件默认落在权重旁边，叫 yolo11n.onnx。

4.2 量化导出（FP16 / INT8）

注意：tensorrt10.x版本后续会删除量化工具，官方建议是：用户自己在pytorch端自行量化，然后导出量化版本的onnx，最后直接用tensorrt进行序列化就行（这条指令后续会说）。但是，这里我还是会说，最简单的，也是最不靠谱的PTQ量化方式如下，utralyrics更加最简QAT量化方法，自己可以搜下（QAT现在是业界主流）：

yolo export model=yolo11n.pt format=onnx imgsz=640 batch=2 opset=17 simplify=True quantize=16

文件名还是 yolo11n.onnx，跟前一份重名，自己改成 yolo11n_fp16.onnx。

INT8 要校准集，导出的是 Q/DQ 图，文件名自动带 _int8 后缀：

yolo export model=yolo11n.pt format=onnx imgsz=640 batch=2 opset=17 simplify=True quantize=8 data=coco8.yaml

data 给一份 yolo 格式的 yaml，校准用的就是里面的图。coco8 只有 8 张，够跑通流程，真要上生产还是拿自己的数据集校准。

4.3 转成 engine

trtexec.exe 在 TensorRT 的 bin 目录里。先切过去，再执行：

cd D:\ThirdParty\TensorRT-10.16.1.11\bin # FP32，精度对齐用这个 .\trtexec.exe --onnx=D:\models\yolo11n.onnx --saveEngine=D:\VS2022_Project\TensorRT-Alpha\engines\yolov11n.trt --noTF32

--noTF32 是给 FP32 引擎用的，把 TF32 关掉，这样 fp32 结果不会漂。只有精度基准才需要它。

FP16 更快，引擎也小一圈。量化本身在 Python 端就做完了，这边只是换个 flag：

.\trtexec.exe --onnx=D:\models\yolo11n.onnx --saveEngine=D:\VS2022_Project\TensorRT-Alpha\engines\yolov11n_fp16.trt --fp16

4.4 引擎文件放哪

configs/yolov11*.ini 里已经写好了各自的引擎路径，文件名对得上就不用改：

configs/yolov11.ini -> engines/yolov11n.trt

引擎想放别处也行，两种办法：改 ini 里的 engine =，或者运行时 --engine 指过去。--engine 优先级最高，会盖掉 ini 和 --config。

五、跑起来

5.1 目录准备

TensorRT-Alpha\ ├── build\bin\Release\trt_alpha.exe ├── configs\ 不用动 ├── data\ 测试图，bus.jpg / zidane.jpg / road0.png 这些仓库里自带 └── engines\ 把 .trt 放进来

5.2 检测

可以直接使用命令行，也可以使用vs2022打开工程，设置如图的sample_infer工程为启动。如图绿色框，然后设置trt文件路径，在设置一个视频，或者图片，或者路径（路径里面是多张图片），还可以是url、camera id等等

也可以直接在命令行执行推理

.\build\bin\Release\trt_alpha.exe run --net yolov11 --source data/bus.jpg --engine d:/xxxx.trt --save

--show 弹窗显示，窗口标题是 trt_alpha:<模型名>，同时开几个模型也不会互相覆盖。--save 落盘，不带参数时存到 save\<模型名>\，带路径就原样用那个路径。

5.3 参数source

只有一个 --source 参数，类型是程序自己判的：

其他参数，这里不多说，自己探索。

六、部署自己训练的模型

训练部署一个模型：假设我们使用utralyrics训练一个目标检测模型(使用别的框架训练也是同理)，有四个类别，

6.1、训练

训练代码如下：

from ultralytics import YOLO def main(): model = YOLO("yolo26n.pt") results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640) if __name__ == '__main__': main()

训练好之后，得到权重文件：my_det_task_cls_num_4.pt

6.2、导出onnx

from ultralytics import YOLO model = YOLO(r"runs\detect\train-3\weights\my_det_task_cls_num_4.pt") model.export( format="onnx", batch = 2, # 仓库代码支持多batch推理，这里设置batch为2 imgsz=640, dynamic=False, simplify=True, opset=17, nms=None, # 用默认 one-to-many 头，one-to-to精度略有下降，并且本仓库的decode+nms使用cuda c实现，足够快 )

然后导出对应的onnx，得到：my_det_task_cls_num_4.onnx

6.3、使用trtexec序列化

.\trtexec.exe --onnx=my_det_task_cls_num_4.onnx --saveEngine=my_det_task_cls_num_4.trt --noTF32

得到：my_det_task_cls_num_4.trt文件

6.4、新建ini格式配置文件

在仓库TensorRT-Alpha目录下

1. 将上述my_det_task_cls_num_4.trt拷贝到engines文件夹下
2. 在data/classes/目录下新建：african-wildlife.txt，用于设置我们训练时候的任务类别，我们这里是4个类别，具体类型信息如下：

• 注：buffalo 255 0 255分别表示：name of label, B, G, R；其中BGR适用于渲染时的颜色。

buffalo 255 0 255 elephant 255 0 0 rhino 0 255 255 zebra 0 255 0

1. configs文件夹下新建：my_det_task_cls_num_4.ini

具体如下：注意根据情况修改：engine、class_names_file、num_class、batch_size等变量

[model] engine = engines/my_det_task_cls_num_4.trt class_names_file = data/classes/african-wildlife.txt num_class = 4 [input] layout = nchw batch_size = 2 [postprocess] conf_thresh = 0.25 iou_thresh = 0.7 top_k = 300

6.5、执行

记住：任何时候，加载自己的模型，执行的时候，别忘记设定参数：–config configs/my_det_task_cls_num_4.ini，其他参数，类似engine的路径设置，都可以在ini文件中设置。

.\build\bin\Release\trt_alpha.exe run --source E:/Code/datasets/african-wildlife/images/test --net yolov26 --config configs/my_det_task_cls_num_4.ini --engine engines/my_det_task_cls_num_4.trt --save

以下是成功执行log：

(base) PS D:\VS2022_Project\TensorRT-Alpha> .\build\bin\Release\trt_alpha.exe run --source E:/Code/datasets/african-wildlife/images/test --net yolov26 --config configs/my_det_task_cls_num_4.ini --engine engines/my_det_task_cls_num_4.trt --save [2026-10-19 19:21:36.219] [INFO ] [tid=7600] [paths.cpp:208 root] Paths: root = D:\VS2022_Project\TensorRT-Alpha (source: executable location) [2026-10-19 19:21:36.219] [INFO ] [tid=7600] [config.cpp:174 loadModelConfig] Config: loaded configs/my_det_task_cls_num_4.ini (with configs/base.ini) (engine=engines/my_det_task_cls_num_4.trt, batch=2, layout=NCHW, extras=34 entries) [2026-10-19 19:21:36.220] [INFO ] [tid=7600] [config.cpp:264 loadClassNamesFile] Config: class names file data/classes/african-wildlife.txt (4 classes) [2026-10-19 19:21:36.220] [INFO ] [tid=7600] [inference_pool.cpp:50 InferencePool] [InferencePool] constructing with 1 worker(s), engine=engines/my_det_task_cls_num_4.trt, batchSize=2, maxQueueSize=4 [2026-10-19 19:21:36.220] [INFO ] [tid=7600] [inference_pool.cpp:55 InferencePool] [InferencePool] loading shared engine: engines/my_det_task_cls_num_4.trt [2026-10-19 19:21:36.220] [INFO ] [tid=7600] [engine.cpp:381 Engine] Engine: loading D:\VS2022_Project\TensorRT-Alpha\engines\my_det_task_cls_num_4.trt [TRT INFO ] Loaded engine size: 12 MiB [2026-10-19 19:21:36.331] [INFO ] [tid=7600] [engine.cpp:452 discoverIo] Engine: io[0] input 'images' fp32 [2, 3, 640, 640] [2026-10-19 19:21:36.331] [INFO ] [tid=7600] [engine.cpp:462 discoverIo] Engine: io[0] input batch static, min/opt/max = 2/2/2 [2026-10-19 19:21:36.331] [INFO ] [tid=7600] [engine.cpp:452 discoverIo] Engine: io[1] output 'output0' fp32 [2, 8, 8400] [2026-10-19 19:21:36.332] [INFO ] [tid=7600] [engine.cpp:410 Engine] Engine: loaded (2 io tensors) [2026-10-19 19:21:36.332] [INFO ] [tid=7600] [yolov26.cpp:72 loadConfig] yolov26: config num_class=4 extra=0 conf=0.25 iou=0.7 top_k=300 [TRT INFO ] [MS] Running engine with multi stream info [TRT INFO ] [MS] Number of aux streams is 3 [TRT INFO ] [MS] Number of total worker streams is 4 [TRT INFO ] [MS] The main stream provided by execute/enqueue calls is the first worker stream [TRT INFO ] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +52, now: CPU 0, GPU 62 (MiB) [2026-10-19 19:21:36.394] [INFO ] [tid=7600] [engine.cpp:372 applyInputShape] InputShape: 'images' layout=NCHW -> [2, 3, 640, 640] [2026-10-19 19:21:36.395] [INFO ] [tid=7600] [yolov26.cpp:230 init] yolov26: initialized (batch=2, outC=8, anchors=8400, dst=640x640) [2026-10-19 19:21:36.395] [INFO ] [tid=7600] [inference_pool.cpp:137 InferencePool] [InferencePool] worker[0] ready [2026-10-19 19:21:36.395] [INFO ] [tid=7600] [inference_pool.cpp:147 InferencePool] [InferencePool] ready with 1 worker(s) +===================================================================================================+ | [CONFIG] yolov26 configs/my_det_task_cls_num_4.ini | | [model] | | engine = engines/my_det_task_cls_num_4.trt CLI | | class_names_file = data/classes/african-wildlife.txt my_det_task_cls_num_4.ini | | num_class = 4 my_det_task_cls_num_4.ini | | | | [input] | | batch_size = 2 my_det_task_cls_num_4.ini | | layout = nchw my_det_task_cls_num_4.ini | | | | [normalize] | | scale = 255.0 base.ini | | mean = 0.0,0.0,0.0 base.ini | | std = 1.0,1.0,1.0 base.ini | | pad_value = 114.0 base.ini | | | | [postprocess] | | conf_thresh = 0.25 my_det_task_cls_num_4.ini | | iou_thresh = 0.7 my_det_task_cls_num_4.ini | | top_k = 300 my_det_task_cls_num_4.ini | | | | [pool] | | workers = 1 base.ini | | max_queue_size = 4 base.ini | | result_queue_size = 8 base.ini | | render_threads = 6 base.ini | | | | [output] | | jpeg_quality = 95 base.ini | | save_dir = save/yolov26 default | | | | [resolved] engine truth (shape = engine declaration; -1 = dynamic axis) | | batch = 2 (engine-confirmed) | | in = images 2 x 3 x 640 x 640 fp32 (4B) linear | | out = output0 2 x 8 x 8400 fp32 (4B) linear | +===================================================================================================+ [2026-10-19 19:21:36.414] [INFO ] [tid=7600] [opencv_source.cpp:129 openImage] OpenCVSource: 'E:/Code/datasets/african-wildlife/images/test' is a directory -> images mode (single level) [2026-10-19 19:21:36.415] [INFO ] [tid=7600] [opencv_source.cpp:165 openImages] OpenCVSource: found 227 image(s) in E:/Code/datasets/african-wildlife/images/test [2026-10-19 19:21:36.415] [INFO ] [tid=7600] [opencv_source.cpp:96 OpenCVSource] OpenCVSource[images]: opened 'E:/Code/datasets/african-wildlife/images/test' batch=2 sourceId=0 [2026-10-19 19:21:36.422] [INFO ] [tid=7600] [pipeline.cpp:176 validateConfig] Pipeline: render_threads=6 (frame order on disk is not guaranteed) [2026-10-19 19:21:36.422] [INFO ] [tid=7600] [pipeline.cpp:188 start] Pipeline: starting with 1 source(s) and 1 pool(s) [2026-10-19 19:21:36.422] [INFO ] [tid=7600] [pipeline.cpp:200 start] Pipeline: launching 6 render thread(s) [2026-10-19 19:21:36.423] [INFO ] [tid=7600] [pipeline.cpp:206 start] Pipeline: render thread(s) launched [2026-10-19 19:21:36.423] [INFO ] [tid=7600] [pipeline.cpp:217 start] Pipeline: launching source thread 0 [2026-10-19 19:21:36.423] [INFO ] [tid=7600] [pipeline.cpp:220 start] Pipeline: all source threads launched [2026-10-19 19:21:36.423] [INFO ] [tid=46752] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=7600] [pipeline.cpp:225 start] Pipeline: started (1 source + 6 render = 7 threads) [2026-10-19 19:21:36.423] [INFO ] [tid=48696] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=31172] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=49896] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=49208] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=34192] [pipeline.cpp:338 renderLoop] Pipeline: render loop started, entering while [2026-10-19 19:21:36.423] [INFO ] [tid=24136] [pipeline.cpp:237 sourceLoop] Pipeline: source[0] thread entered [2026-10-19 19:21:36.423] [INFO ] [tid=24136] [pipeline.cpp:243 sourceLoop] Pipeline: source[0] 'images' using pool[0] [2026-10-19 19:21:36.434] [INFO ] [tid=46752] [opencv_renderer.cpp:979 save] OpenCVRenderer: saving into D:\VS2022_Project\TensorRT-Alpha\save\yolov26 [2026-10-19 19:21:36.434] [WARN ] [tid=46752] [opencv_renderer.cpp:1037 save] OpenCVRenderer::save: overwriting existing file(s), e.g. save/yolov26\1 (103).jpg (reported once per output dir) [2026-10-19 19:21:37.188] [INFO ] [tid=24136] [pipeline.cpp:259 sourceLoop] Pipeline: source[0] next() returned false, breaking [2026-10-19 19:21:37.188] [INFO ] [tid=24136] [pipeline.cpp:320 sourceLoop] Pipeline: source[0] exiting [2026-10-19 19:21:37.194] [INFO ] [tid=49896] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.194] [INFO ] [tid=49896] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.196] [INFO ] [tid=46752] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.196] [INFO ] [tid=46752] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.198] [INFO ] [tid=48696] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.198] [INFO ] [tid=48696] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.201] [INFO ] [tid=49208] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.201] [INFO ] [tid=49208] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.204] [INFO ] [tid=31172] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.204] [INFO ] [tid=31172] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.205] [INFO ] [tid=34192] [pipeline.cpp:350 renderLoop] Pipeline: render loop pop() returned false, exiting [2026-10-19 19:21:37.205] [INFO ] [tid=34192] [pipeline.cpp:494 renderLoop] Pipeline: render loop exiting [2026-10-19 19:21:37.205] [INFO ] [tid=7600] [pipeline.cpp:567 waitForCompletion] Pipeline: all threads joined [2026-10-19 19:21:37.205] [INFO ] [tid=7600] [inference_pool.cpp:370 shutdown] [InferencePool] shutdown requested, queue=0, active=0 [2026-10-19 19:21:37.205] [INFO ] [tid=24208] [inference_pool.cpp:238 workerLoop] [InferencePool] worker[0] exiting [2026-10-19 19:21:37.210] [INFO ] [tid=7600] [inference_pool.cpp:391 shutdown] [InferencePool] shutdown complete (base) PS D:\VS2022_Project\TensorRT-Alpha>

以下是推理结果，效果图，分别是本仓库tensorrt推理效果和pytorch推理效果：

注：推理的时候设置rect=False，表示关闭矩形推理，矩形推理在tensorrt推理没啥吊用！

from ultralytics import YOLO # 加载经过 COCO 预训练的 YOLO26n 模型 #model = YOLO("yolo26n-cls.pt") #model = YOLO("yolo26n-cls.pt") #model = YOLO("yolo26n-obb.pt") #model = YOLO("yolo26n-pose.pt") # model = YOLO("yolo26n-seg.pt") #model = YOLO("yolo26n-depth.pt") model = YOLO(r"runs\detect\train-3\weights\best.pt") # 使用 YOLO26n 模型对 'bus.jpg' 图像进行推理 results = model( r"E:/Code/datasets/african-wildlife/images/test", rect=False, save=True, exist_ok=True # 覆盖已有文件夹 )

都看到这里，去点个star吧。😄