说实话，现在网上教程多如牛毛。

但90%都是抄来抄去。

我搞计算机视觉三年了。

踩过无数坑。

今天不整虚的。

直接聊点干货。

关于yolo本地部署。

先说环境。

别一上来就装最新版的CUDA。

真的，听劝。

很多老显卡带不动。

或者驱动不兼容。

我有个朋友，非要装4.0的PyTorch。

结果发现他的RTX 3060根本不支持。

最后折腾了一周。

还是回退到3.8和CUDA 11.3。

稳定才是硬道理。

别盲目追新。

除非你是搞科研的。

否则，求稳。

然后是依赖包。

pip install的时候。

经常报错。

尤其是那些带cuda扩展的包。

比如ultralytics。

有时候网络不好。

直接卡死。

建议换个镜像源。

清华源或者阿里源。

速度快一倍不止。

还有那个opencv。

别用pip装。

用conda装。

或者编译源码。

pip装的版本经常缺模块。

导致后面推理的时候报错。

那种错误最搞心态。

查半天日志。

才发现是opencv版本不对。

模型选择也是个问题。

v8还是v5？

很多人纠结这个。

其实对于yolo本地部署来说。

v8确实更香。

接口统一。

文档也全。

但是v5在老项目里兼容性更好。

如果你是从零开始。

闭眼选v8。

如果是接手老代码。

那就老老实实配v5的环境。

别瞎改。

容易崩。

说到加速。

很多人部署完。

发现推理速度很慢。

一帧要200毫秒。

这怎么行？

这时候就要上ONNX了。

把pt模型转成onnx。

然后用TensorRT或者OpenVINO去跑。

这一步很关键。

我试过直接用pytorch推理。

在CPU上跑。

慢得像蜗牛。

转成ONNX后。

速度提升了3倍。

再上TensorRT。

直接起飞。

当然。

这需要你对硬件有一定了解。

N卡的话。

TensorRT是首选。

A卡或者Intel核显。

那就试试OpenVINO。

别死磕一个工具。

因地制宜。

还有个小坑。

数据预处理。

很多人忽略了resize的问题。

YOLO默认是letterbox缩放。

保持长宽比。

但如果你为了速度。

直接拉伸。

精度会掉。

这个取舍。

你得自己掂量。

如果是做安防监控。

精度优先。

如果是做实时弹幕检测。

速度优先。

没有绝对的对错。

只有场景的适配。

最后说说部署后的维护。

别以为跑通了就完事。

模型漂移是个大问题。

数据分布变了。

模型效果会下降。

定期收集bad case。

重新训练。

微调。

这才是长久之计。

我见过太多项目。

上线一个月。

效果就废了。

因为没做持续迭代。

技术是死的。

人是活的。

数据是流动的。

总之。

yolo本地部署。

没那么玄乎。

就是一个个坑填过去。

遇到报错。

别慌。

看日志。

搜StackOverflow。

或者来GitHub提Issue。

作者回复很快。

只要你不懒。

没什么解决不了的。

希望这篇笔记。

能帮你少掉几根头发。

毕竟。

头发比代码贵。

本文关键词：yolo本地部署