پروژه tensorrt-for-yolo-series

Linaom1214/TensorRT-For-YOLO-Series

این پروژه بهینه‌سازی سری مدل‌های YOLO (از جمله YOLOv5 تا YOLOv11) با استفاده از NVIDIA TensorRT را فراهم می‌کند تا عملکرد تشخیص اشیاء در سخت‌افزارهای GPU به‌طور قابل توجهی افزایش یابد

کاربرد:

این ابزار برای تبدیل مدل‌های YOLO از فرمت PyTorch به موتورهای TensorRT بهینه‌شده استفاده می‌شود تا سرعت استنتاج (inference) را در دستگاه‌های NVIDIA افزایش دهد. همچنین از NMS Plugin پشتیبانی می‌کند که باعث کاهش زمان پردازش مرحله Non-Maximum Suppression می‌شود ️

در چه شرایطی بهتره استفاده شود؟

وقتی به دنبال اجرای سریع و کارآمد مدل‌های تشخیص اشیاء در محیط‌های واقعی (real-time) مثل دوربین‌های نظارتی، رباتیک، خودروهای خودران یا سیستم‌های صنعتی هستید، استفاده از این پروژه بسیار توصیه می‌شود

چند مثال از موارد استفاده:

- تشخیص اشیاء در پردازش ویدئوی زنده با تأخیر کم

- استقرار مدل‌های YOLO روی دستگاه‌های لبه (edge devices) مانند Jeston Nano یا Xavier

- بهینه‌سازی سیستم‌های تشخیص ترافیک هوشمند

- استفاده در سیستم‌های بازرسی خودکار در خطوط تولید