### 在 Ubuntu 22.04 上使用 TensorRT 搭建 YOLOv11 运行环境 要在 Ubuntu 22.04 上成功搭建 TensorRT 和 YOLOv11 的运行环境，需完成以下几个核心环节：基础系统配置、依赖库安装、TensorRT 配置以及 YOLOv11 的集成。 #### 1. **系统更新** 在开始之前，确保系统的软件包是最新的： ```bash sudo apt update && sudo apt upgrade -y ``` #### 2. **安装 NVIDIA CUDA 工具链** YOLOv11 和 TensorRT 均需要 GPU 支持。因此，CUDA 是必不可少的工具链之一。以下是安装 CUDA 的步骤： 下载适合 Ubuntu 22.04 的 CUDA 安装器（推荐版本为 CUDA 11.x 或更高版本）。可以通过官方页面获取最新版链接[^3]。 ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update sudo apt-get -y install cuda ``` 验证安装是否成功： ```bash nvcc --version ``` #### 3. **安装 cuDNN** cuDNN 是深度学习框架的重要组件，用于优化神经网络计算性能。可以从 NVIDIA 官方网站下载对应于已安装 CUDA 版本的 cuDNN 文件[^3]。解压后复制到相应目录下： ```bash tar -xzvf cudnn-linux-x86_64-*.*.*-*.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn* ``` #### 4. **安装 TensorRT** TensorRT 可通过两种方式获得：NVIDIA 提供的预编译二进制文件或者源码自行编译。对于生产环境建议采用前者以减少兼容性问题。 从 NVIDIA 开发者门户网站下载适用于 Linux 平台的 TensorRT 包，并按照说明进行安装: ```bash dpkg -i nvinfer-runtime-trt-repo-ubuntu2204-<version>_gpu_amd64.deb apt-get update apt-get install libnvinfer-dev # Development libraries and headers ``` 确认 TensorRT 是否正常工作： ```python import tensorrt as trt print(trt.__version__) ``` #### 5. **设置 Python 环境** 为了更好地管理依赖关系，强烈建议使用 Conda 创建独立的虚拟环境[^4]: 创建一个新的 Conda 环境并激活它： ```bash conda create -n yoloenv python=3.9 conda activate yoloenv ``` 接着，在该环境中安装必要的 Python 库： ```bash pip install torch torchvision torchaudio pip install opencv-python>=4.6.0 ``` 克隆 UltraLytics 的仓库并安装本地模块： ```bash git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -e . ``` #### 6. **转换 PyTorch 模型至 ONNX/TensorRT 格式** YOLOv11 默认提供的是 PyTorch 权重文件 (.pt)，而 TensorRT 推理通常接受序列化的 `.plan` 文件作为输入。为此，先将模型导出成中间表示形式 (ONNX)： ```python from ultralytics import YOLO model = YOLO('path/to/best.pt') model.export(format='onnx') # 导出为 onnx 格式 ``` 之后利用 TensorRT SDK 将其进一步转化为高效的推理引擎计划文件(.plan)。 --- #### 总结 以上流程涵盖了从硬件驱动准备到最终部署的所有必要步骤。每一步都紧密关联前序操作的结果，任何遗漏均可能导致后续失败。务必仔细核验各阶段输出日志中的错误提示信息以便及时修正偏差。