TensorRT10.8 C++部署YOLO11全系模型

OpenCV学堂

发布于 2026-04-02 19:47:14

1291

文章被收录于专栏：贾志刚-OpenCV学堂贾志刚-OpenCV学堂

YOLO11模型下载与转换

下载YOLO11对象检测预训练模型，直接从下面链接下载即可：

https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

下载YOLO11实例分割预训练模型，直接从下面链接下载即可：

https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-seg.pt

下载YOLO11实例分割预训练模型，直接从下面链接下载即可：

https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-pose.pt

先通过下面的命令行转为ONNX格式模型

yolo export model=yolo11.pt format=onnx

然后再通过TensorRT的命令行转换为engine文件：

trtexec.exe --onnx=yolo11n.onnx --saveEngine=yolo11n.engine

通过Netron可以查看YOLO11模型的输入与输出格式，截图如是：

可见跟YOLOv8系列模型的输入与输出格式保持一致，没有改动！

TensorRT推理

直接使用我们之前的YOLOv8对象检测代码测试，加载YOLO11n对象检测模型，推理运行如下：

加载YOLO11n实例分割模型，推理运行如下：

加载YOLO11n姿态评估模型，推理运行如下：

测试代码如下（已经封装为一个C++的类，只需三行代码即可调用，支持YOLOv8~YOLO13对象检测模型部署推理）：

std::shared_ptr<YOLOv81112TRTDetector> detector(new YOLOv81112TRTDetector());
detector->initConfig("D:/python/yolov5-7.0/yolo11n.engine", 0.4, 0.25f);
cv::VideoCapture capture("D:/images/video/dance.mp4");
cv::Mat frame;
std::vector<DetectResult> results;
while (true) {
bool ret = capture.read(frame);
if (frame.empty()) {
break;
	}
	detector->detect(frame, results);
for (DetectResult dr : results) {
		cv::Rect box = dr.box;
		cv::putText(frame, classNames[dr.classId], cv::Point(box.tl().x, box.tl().y - 10), cv::FONT_HERSHEY_SIMPLEX, .5, cv::Scalar(0, 0, 0));
	}
	cv::imshow("YOLO11对象检测 + TensorRT10.8 - OpenCV学堂", frame);
char c = cv::waitKey(1);
if (c == 27) { // ESC 退出
break;
	}
// reset for next frame
	results.clear();
}

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2025-07-09，如有侵权请联系 cloudcommunity@tencent.com 删除

部署