目录

tensorRT介绍

前置准备

安装cuda与cudnn

安装理论支持

不同系统下的具体安装 

linux

windows

安装验证

cuda版本查看

TensorRT安装

下载安装包

linux安装包下载

windows安装包下载

linux安装

安装

安装验证

windows安装

安装

环境变量配置

安装验证

---

tensorRT介绍

有关tensorRT的介绍见

TensorRT简介-CSDN博客

前置准备

安装cuda与cudnn

安装理论支持

cuda的安装步骤比较统一，无论使用什么系统，其原理都是一样的

• 使用nvidia-smi查看nvidia驱动支持的最高cuda版本
• 进入官网下载对应的cuda安装包
• 进行安装
• 安装结束后修改环境变量（目的是让系统找到cuda里的头文件和lib文件以及nvcc）
  • 如果是linux系统，并且使用默认安装，则会安装/usr/local下，这个路径不用设置，系统会识别，而如果是自定义安装，则需要修改.bashrc配置文件配置环境变量
  • 如果是windows系统，编辑系统环境变量即可

cudnn的安装更加简单，因为我们一般是在编程的时候引用cudnn中的库文件，因此

• 只需下载cudnn的tar包解压之后
• 将cudnn中的头文件内容拷贝到cuda文件目录的头文件目录
• 将cudnn中的库文件内容拷贝到cuda文件目录下的库文件目录

不同系统下的具体安装 

以下是在不同系统下安装cuda与cudnn的操作步骤

linux

Linux下安装cuda和对应版本的cudnn_linux怎么在自己的环境中安装cuda和cudnn-CSDN博客

如果要安装在非root用户安装参考这篇：

Linux 服务器下非root用户安装CUDA完整流程（多次踩雷经验总结）_linux cuda安装-CSDN博客

windows

windows安装cuda与cudnn-CSDN博客

安装验证

cuda版本查看

linux与windows均可使用以下命令查看cuda版本

nvcc -V

TensorRT安装

下载安装包

进官网查看对应cuda版本的tensorRT

TensorRT Download | NVIDIA Developer

官网页面打开如下所示， 每个版本的tensorRT都有对应操作系统与cuda版本的说明

注意，win11只有tensorRT10支持

linux安装包下载

linux下我们以安装tensorRT8为例，如下图所示 

• 第一个红色框是cuda11（如图可支持cuda11.0、11.2、11.3、11.4、11.5、11.6、11.7）对应的安装包
• 第二个红色方框是cuda12对应的安装包
• 找到自己对应cuda版本的安装包即可，建议下载tar包，安装比较方便

windows安装包下载

由于windows11下只有tensorRT10支持，如下图所示，仍旧找到自己的安装包下载（如果是windows10，也可安装其余版本，只要版本对应即可）

linux安装

安装

下载好安装包后，将文件解压至 /usr/local，如下所示

 然后将tensorrt的头文件和库文件加入到环境变量中，配置～/.bashrc文件

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/TensorRT-8.5.3.1/lib
export C_INCLUDE_PATH=$C_INCLUDE_PATH:/usr/local/TensorRT-8.5.3.1/include
export CPLUS_INCLUDE_PATH=$CPLUS_INCLUDE_PATH:/usr/local/TensorRT-8.5.3.1/include

 添加完路径后使配置文件生效

source ～/.bashrc

安装验证

进入到 /usr/local/TensorRT-8.5.3.1/samples/sampleOnnxMNIST路径下，执行

sudo make

进入/usr/local/TensorRT-8.5.3.1/bin目录，运行可执行文件sample_onnx_mnist，如果编译和运行过程都没有问题则说明tensorrt安装成功，运行结果如下

 

windows安装

安装

首先找到自己cuda的安装路径，打开cmd命令行窗口，输入

which nvcc

如果cuda安装成功，会显示cuda的安装路径

/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v12.1/bin/nvcc

 然后解压下载的tensorRT安装包，将tensorRT中lib目录和include目录中的文件内容都拷贝到cuda对应的目录文件下

环境变量配置

右键“此电脑”，点击"属性"，点击“高级系统设置”，即可打开系统属性面板

也可以在搜索框输入“编辑系统环境变量”，也可打开下述面板

然后点击环境变量

用户变量一栏，点击Path

 点击“新建”，将对应TensorRT解压的文件夹下的bin目录路径，以及cuda安装目录下的lib目录、include目录，以及lib下的x64目录路径设置进去，如下所示

 然后逐步点击“确定”，直到所有面板关闭，一定不要直接点右上角关闭，否则配置会失败

安装验证

打开cmd命令窗口，输入

trtexec --help

如果显示以下帮助信息，说明TensorRT中的trtexec程序可用，否则检查trtexec程序(TensorRT解压安装包的bin目录下)的环境变量是否配置正确

接下来代码验证trtexec是否可成功执行，打开python，写下如下python代码，更多代码细节见

PyTorch模型转换ONNX 入门-CSDN博客

import torch
import torchvision.models as models
import onnx
import onnxruntime
 
# 加载 PyTorch 模型
model = models.resnet18(pretrained=True)
model.eval()
 
# 定义输入和输出张量的名称和形状
input_names = ["input"]
output_names = ["output"]
batch_size = 1
input_shape = (batch_size, 3, 224, 224)
output_shape = (batch_size, 1000)
 
# 将 PyTorch 模型转换为 ONNX 格式
torch.onnx.export(
    model,  # 要转换的 PyTorch 模型
    torch.randn(input_shape),  # 模型输入的随机张量
    "resnet18.onnx",  # 保存的 ONNX 模型的文件名
    input_names=input_names,  # 输入张量的名称
    output_names=output_names,  # 输出张量的名称
    dynamic_axes={input_names[0]: {0: "batch_size"}, output_names[0]: {0: "batch_size"}}  # 动态轴，即输入和输出张量可以具有不同的批次大小
)
 
# 加载 ONNX 模型
onnx_model = onnx.load("resnet18.onnx")
onnx_model_graph = onnx_model.graph
onnx_session = onnxruntime.InferenceSession(onnx_model.SerializeToString())
 
# 使用随机张量测试 ONNX 模型
x = torch.randn(input_shape).numpy()
onnx_output = onnx_session.run(output_names, {input_names[0]: x})[0]
 
print(f"PyTorch output: {model(torch.from_numpy(x)).detach().numpy()[0, :5]}")
print(f"ONNX output: {onnx_output[0, :5]}")

如果代码运行不成功，查看pytorch是否安装、onnx模块是否安装、onnxruntime模块是否安装

如果代码运行成功，会在本地输出一个mymodel.onnx文件

接下来打开该文件所在路径，打开cmd，输入

trtexec --onnx=mymodel.onnx --saveEngine=model.trt

如果运行成功，说明TensorRT安装成功

如果这里运行失败，检查环境变量是否配置正确 

参考

ubuntu20.04 安装TensorRT c++库 - Wangtn - 博客园 (cnblogs)

TensorRT安装部署指南（Windows10） - 知乎 (zhihu)