1. 写在前面

        我们在前面已经讲过很多关于YOLOv10的一些知识点，也简单理了一下如何训练自己的数据。

        现在本篇文章主要是讲解一下如何在TensorRT中部署YOLOv10，相信经过这一步，各位小伙伴已经能够无限的接近于将YOLOv10产品化了。

        另一个需要说明的是，本文中所述的TensorRT部署并不是基于ONNX中转方法的部署，而是通过基于INetworkDefinition的手动构建网络进行部署，这种方式能过使得我们对网络有一个较为清晰的了解和认识。

        登录https://github.com/tecsai/YOLOv10_TensorRT获取网络构建代码。

        话不多数，开始吧。

2. YOLOv10的网络组成

        本次以YOLOv10m为例，通过阅读“yolov10m.yaml”文件可以看到，整个网络的组成和YOLOv8极为相似，仅在一些局部位置有改动。

        从网络结构配置文件yolov10m.yaml可以看出，YOLOv10有一些基本的模块组成，包括Conv、C2f、SCDown、C2fCIB、PSA、Upsample以及v10Detection组成。

其中，

        Conv就是基本的卷积模块；

        C2f照搬了YOLOv8中的C2f；        

        SCDown由两个基本的Conv模块组成，通过控制Kernel和Stride，实现特征图的两倍下采样；

        C2fCIB就是特殊形式的C2f，其将C2f中的Bottleneck模块换成了CIB模块。

        Upsample就是特征图上采样；

        PSA是MHSA与FFN配合实现的Transformer结构（QKV自注意力）；

3. 基本的Conv模块

        Conv模块就是普通的卷积模块，如下所示为训练工程中的PyTorch版本的卷积。

        可以看到，参数已经设置的非常全面了，包括输入输出通道（c1, c2），卷积核尺寸（k），stride（s），padding（p），group（g），dilation（d）以及是否使用激活函数（act）。

        对应，我们在基于TensorRT的版本中依葫芦画瓢就可以了，参考如下。

        这里有一个建议，后期大家可以将激活函数SILU换成LeakyReLU，这也算是在边缘端提速的一个技巧了。

4. C2f与C2fCIB

        C2f可以看做是C3的优化，与C3单元相比，每一个Bottleneck的输入Tensor的Channel都只有上一级的0.5倍，因此计算量明显降低。从另一方面讲，梯度流的增加，也能够明显提升收敛速度和收敛效果。如下分别是C3和C2f的网络结构。

（C3）

（C2f）

        基于上述图，我们构建的基于INetworkDefinition的C2f的代码如下。

        其中，第89行和93行即是对Tensor进行了拆分操作，依次来完成一种类“CSP”的结构。

之后在103行和108行进行一个类“ELAN”的操作，减少计算量，但丰富了梯度流。

        在前面我们说过，C2f和C2fCIB实际上是一样的，仅将Bottleneck结构换成了CIB结构，CIB又是Bottleneck的一种演化版本。

5. PSA

        PSA模块本质上是引入了QKV机制的自注意力模块，实现了CNN与Transformer的结合。

        PSA全称Partial Self-Attention，即将特征图Tensor的部分进行MHSA+FFN，另一部分则执行了Cross Stage，并与MHSA+FFN的输出进行了融合（Concatenate）。

        如下是Attention模块和PSA模块。

Attention

PSA

6. 代码参考

完整的代码可登录https://github.com/tecsai/YOLOv10_TensorRT 获取。