### ROS TensorRT YOLOv5 集成运行命令示例 在 ROS 和 TensorRT 结合使用 YOLOv5 模型的过程中，通常需要完成以下几个核心部分：构建 TensorRT 引擎文件、加载引擎并将其集成到 ROS 节点中，最后通过 ROS 命令启动节点。 #### 1. 构建 TensorRT 引擎 TensorRT 引擎可以通过 `trtexec` 工具或者自定义脚本来生成。以下是基于 ONNX 文件生成 TensorRT 引擎的命令： ```bash trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.trt --workspace=2048 --fp16 --profilingVerbosity=detailed ``` 此命令会将名为 `yolov5s.onnx` 的模型转换为 TensorRT 引擎，并保存为 `yolov5s.trt` 文件[^3]。 #### 2. 编写 ROS 节点 假设已经创建了一个 ROS 包 `robot_vision` 并在其内部编写了用于加载 TensorRT 引擎和执行推理的 Python 或 C++ 节点。以下是一个简单的 Python 节点结构示例： ```python #!/usr/bin/env python import rospy from sensor_msgs.msg import Image from cv_bridge import CvBridge, CvBridgeError import numpy as np import tensorrt as trt import pycuda.driver as cuda import pycuda.autoinit import os class YOLOV5Detector: def __init__(self): self.bridge = CvBridge() self.image_subscriber = rospy.Subscriber("/camera/image_raw", Image, self.callback_image) self.engine_path = "/path/to/yolov5s.trt" self.logger = trt.Logger(trt.Logger.WARNING) with open(self.engine_path, "rb") as f, trt.Runtime(self.logger) as runtime: self.engine = runtime.deserialize_cuda_engine(f.read()) self.context = self.engine.create_execution_context() def callback_image(self, data): try: cv_image = self.bridge.imgmsg_to_cv2(data, "bgr8") except CvBridgeError as e: print(e) input_shape = (3, 640, 640) # 输入尺寸需与训练一致 inputs, outputs, bindings, stream = self.allocate_buffers(input_shape) # 数据预处理逻辑... processed_data = preprocess(cv_image, input_shape) # 自定义函数 # 执行推理 inputs[0].host = processed_data.ravel().astype(np.float32) [output] = common.do_inference_v2( context=self.context, bindings=bindings, inputs=inputs, outputs=outputs, stream=stream ) # 后处理逻辑... def main(): rospy.init_node('yolov5_detector', anonymous=True) detector = YOLOV5Detector() rospy.spin() if __name__ == '__main__': main() ``` 在此代码片段中，`preprocess()` 函数负责图像数据的标准化和调整大小操作，而 `common.do_inference_v2()` 是一个通用的推理辅助函数[^1]。 #### 3. 创建 Launch 文件 为了简化节点的启动过程，可以创建一个 `.launch` 文件来管理参数和依赖项。例如，在 `robot_vision/launch/yolov5_detector.launch` 中添加如下内容： ```xml <launch> <node pkg="robot_vision" type="yolov5_detector.py" name="yolov5_detector" output="screen"> <!-- 可选参数 --> <param name="engine_path" value="/path/to/yolov5s.trt"/> </node> </launch> ``` #### 4. 使用 ROS 命令运行 确保已正确设置环境变量并将工作空间编译成功后，可通过以下命令启动节点： ```bash roslaunch robot_vision yolov5_detector.launch ``` 如果一切正常，该命令将会启动 `yolov5_detector` 节点，并订阅 `/camera/image_raw` 主题进行实时目标检测[^1]。 --- ### 注意事项 - **硬件兼容性**：确保所使用的设备（如 NVIDIA Jetson 系列）支持 TensorRT 加速功能[^4]。 - **ONNX 导出**：在导出 PyTorch 模型至 ONNX 格式时，请验证其输入输出形状是否匹配实际需求。 - **性能优化**：利用 TensorRT 的 FP16 或 INT8 模式进一步提升推理速度[^3]。 ---