需自行完成 .pth 到 .onnx 再到 .plan/.engine 的模型转换；各任务需进入对应子目录按各自 README 操作；Jetson 需先烧录 Jetpack 4.6.1 镜像
TensorRT-YOLO11
emptysoalMIT长期未更新把 YOLO11 的检测、姿态估计、分割和跟踪模型用 TensorRT v8.0+ 部署到 C++ 和 Python 接口，省去自己写推理代码的麻烦。
Based on tensorrt v8.0+, deploy detection, pose, segment, tracking of YOLO11 with C++ and python api.
暂无版本347star53fork同步于 2026-11-07 07:30 UTC
参考 https://github.com/emptysoal/tensorrt-experiment 构建 TensorRT 环境；满足 TensorRT 8.0+ 与 OpenCV 3.4.0+ 后直接进入 C++ 或 python 各任务目录按其 README 运行 硬件要求按 README 说明
需 TensorRT 8.0+ 与 OpenCV 3.4.0+，支持 Jetson 系列与 Linux x86_64 服务器；README 未给出显存要求，测速环境为 RTX 2080 Ti。
需要 CUDA
基于 TensorRT 部署 YOLO11 检测、姿态、分割与跟踪的 C++/Python 推理项目
把 YOLO11 的检测、姿态估计、分割和跟踪模型用 TensorRT v8.0+ 部署到 C++ 和 Python 接口，省去自己写推理代码的麻烦。
核心能力
- 用 CUDA 自写前后处理张量操作，无需 CUDA 版 OpenCV
- 覆盖检测、关键点、实例分割、ByteTrack 跟踪四类任务
- 提供 C++ 与 Python 两套面向对象 API
- C++ 版编译为动态链接库，便于其他项目调用
- 模型按 .pth 转 .onnx 再转 .plan/.engine 流程转换
容易踩的坑
内容由模型根据 README 生成，可能不完整或不准确，以官方文档为准。看原文 README
暂无 release 数据（可能没有发版，或尚未同步）。
用户点评
登录用户的真实使用记录，可按版本和硬件筛选共 0 条
还没有人点评。第一个说出真实体验的人最有价值。
TensorRT 部署 YOLO11 目标检测、关键点检测、实例分割、目标跟踪
一. 项目简介
-
基于
TensorRT-v8，部署YOLO11目标检测、关键点检测、实例分割、目标跟踪 4 项任务； -
支持在
Jetson系列、Linux x86_64服务器上部署； -
无需安装支持
cuda的OpenCV，前后处理的张量操作都是作者通过cuda编程实现； -
模型转换方式：
.pth->.onnx->.plan(.engine)； -
作者使用
Python和C++2 种api分别做了实现； -
均采用了面向对象的方式，便于结合到其他项目当中；
-
C++版本的还会编译为动态链接库，便于在其他项目种作为接口调用；
二. 项目效果
| 原图 | 目标检测 |
|---|---|
 |  |
| 关键点检测 | 实例分割 |
 |  |
- ByteTrack目标跟踪
三. 推理速度
| detect | pose | segment | |
|---|---|---|---|
| C++ | 3 ms | 4 ms | 6 ms |
| python | 10 ms | 13 ms | 45 ms |
- 这里的推理时间包含前处理、模型推理、后处理
- 这里基于
x86_64 Linux服务器，Ubuntu系统，显卡为GeForce RTX 2080 Ti
四. 环境配置
- 基本要求：
TensorRT 8.0+OpenCV 3.4.0+
如果基本要求已满足，可直接进入各目录下运行各任务
环境构建可以参考下面内容：
- 如果是
Linux x86_64服务器上，建议使用docker
- 具体环境构建，可参考这个链接 构建TensorRT环境 的环境构建部分，也是作者的项目
- 如果是边缘设备，如：
Jetson Nano
- 烧录
Jetpack 4.6.1系统镜像，网上烧录镜像的资料还是很多的，这里就不赘述了 Jetpack 4.6.1系统镜像原装环境如下：
| CUDA | cuDNN | TensorRT | OpenCV |
|---|---|---|---|
| 10.2 | 8.2 | 8.2.1 | 4.1.1 |
五. 项目运行
-
本项目
Python和C++目录下均包含detect、pose和segment； -
按照各自目录下的
README分别实现目标检测、关键点检测、实例分割 、目标跟踪 4 种任务。
ultralytics
ultralytics·Python
YOLO 系列官方实现库，一套 PyTorch 代码覆盖目标检测、实例与语义分割、图像分类、姿态估计和目标跟踪，训练到部署全流程打通。
目标检测+4检测 / 分割
63270+8712kv8.4.2082026-11-10 09:31 UTC
yolov5
ultralytics·Python
基于 PyTorch 的目标检测全家桶，覆盖训练、推理、实例分割、图像分类和模型导出，开箱即用，适合快速落地视觉任务。
目标检测+4检测 / 分割
58258+517kv7.02026-11-07 16:59 UTC
pytorch-image-models
huggingface·Python
收录最全的 PyTorch 图像骨干网络合集，涵盖 ResNet、ViT、ConvNeXt 等主流模型，自带训练、评估、推理和导出脚本及预训练权重，省去自己搭网络和找权重的麻烦。
图像分类+4检测 / 分割
37272+75.2kv1.0.312026-11-07 23:22 UTC
detectron2
facebookresearch·Python
Detectron2 是 Facebook 开源的目标检测与分割平台，提供模块化架构和丰富预训练模型，方便快速搭建和训练视觉识别任务。
目标检测+4检测 / 分割
34980+57.9kv0.62026-10-27 09:21 UTC