YOLOv5，YOLOv6，YOLOv7在TensorRT推理速度比较

点击上方蓝字关注我们

微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识

引言

这个周末两天把YOLOv5，YOLOv6，YOLOv7从训练到部署测试了一波，YOLOv6堪称Bug之王，如果没有点代码能力跟工程能力用就崩溃，YOLOv7模型太多让人眼花缭乱，对比论文宣传的各种速度快过YOLOv5，实测一言难尽，到处都是坑！

测试方式

我横向对比了 YOLOv5s、YOLOv6s、YOLOv7-tiny、YOLOv7 四个模型在TensorRT上的推理速度，首先当然是用各种官方的脚本导出ONNX格式模型，然后基于TensorRT8.4.x自带的工具模型转变转换为FP16半精度推理engine文件。

测试环境

代码语言：javascript复制

Windows10 64BitVS2017专业版CUDA11.0.xTensorRT8.4.0.6Pytorch1.7.1 cu110Python3.6.5显卡RTX3050Ti

测试数据是同一段视频！

代码的前后处理完成重用！

TensorRT的engine文件生

YOLOv5s、YOLOv6s、YOLOv7-tiny、YOLOv7 四种文件都需要从pt转onnx，这步直接用各自的github脚本导出就好了，总体来说YOLOv5的脚本最容易使用，最人性化，其他两个开发文档跟Tag版本已经尼玛的严重不匹配。得到onnx格式文件，把这几个onnx文件都copy到安装好的TensorRT的bin目录下面，然后分别执行这几条命令行就可以转换生成engine文件了，命令行如下：

代码语言：javascript复制

trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s_16.engine --fp16trtexec --onnx=yolov6s.onnx --saveEngine=yolov6s_16.engine --fp16trtexec --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny_16.engine --fp16trtexec --onnx=yolov7.onnx --saveEngine=yolov7_16.engine --fp16

每个大概需要3～5分钟左右完成转换，可能看显卡性能吧，在我笔记本上就是这个转换时间，

TensorRT上推理测试对比

转换好之后。就可以写程序测试了，因为我之前写好了一个YOLOv5s的TensorRT推理的C 类，我几乎全部重用了代码，很快就完成了YOLOv6s跟YOLOv7-tiny跟YOLOv7的TensorRT推理代码修改，然后测试结果截图如下：

YOLOv5s 最新版本6.x推理

YOLOv6s模型推理

YOLOv7-tiny模型推理

然后我还发现一个奇怪的现象，YOLOv7官方提供的对象检测模型不管什么时候，手里面那个东西就是检测说cellphone，可能社交媒体吹多了自带cellphone属性了。

这个是YOLOv7推理

就这速度论文也敢写超过YOLOv5！

总结

转换模型之后对比一下模型文件

你就会发现在这些FP16模型中，yolov5s模型是最小的，速度最快当之无愧，在精度方面跟YOLOv6s、YOLOv7-tiny、YOLOv7只有细微差异。然后综合我这两天完成这件事在YOLOv6、YOLOv7上遇到各种坑，我只能说搞工程选YOLOv5就对了，其他的都是嘴炮！工程化做的都是一塌糊涂，还有很大的改进空间。搞工程还是要脚踏实地，嘴炮一时爽，落地就死亡！

扫码获取YOLOv5 TensorRT INT8量化脚本与视频教程