将源码里面opencv路径和tensorrt路径修改成自己路径 # Find and include OpenCV set(OpenCV_DIR D:\\lufiles\\opencv490\\build\\x64\\vc16\\lib) # Set TensorRT path if not set in environment variables set(TENSORRT_DIR D:\\lufiles\\TensorRT-8.6.1.6) 然后执行 mkdir build cd build cmake .. 之后去build文件夹找到sln文件用vs打开它。

也就是电脑不支持tensorrt加速和cuda使用的，可以百度查询对应安装步骤即可，否则无法进行二次开发。

需要有一定c++基础才行，查看自己显卡就是打开任务管理器(win10是ctrl+alt+delete，由于安装包很多需要去官方搜索下载，win11是ctrl+shift+ESC)，执行命令 trtexec --onnx=yolov12n.onnx --saveEngine=yolov12n.engine --fp16 稍等20多分钟后会自动生成yolov12n.engine文件. 下面我们开始测试图片 yolov12-tensorrt.exe yolov12n.engine test.jpg 然后测试视频 yolov12-tensorrt.exe yolov12n.engine car.mp4 特别注意： tensorrt模型依赖于硬件，所以不是通用的需要在电脑重新转换，首先确保自己电脑是win10或者win11并确保电脑有一块nvidia显卡。

最近悄悄出了yolov12框架，使用下面命令直接转换 yolo export model=yolov12n.pt format=onnx dynamic=False opset=12 得到onnx模型以后我们开始编译源码，最好安装位一致版本这样更快复现出项目， 首先需要大家安装好VS2019或者VS2022，博文不做环境具体步骤，并选中ALL_BUILD右键单击选择生成 之后build\Release文件夹下面有个yolov12-tensorrt.exe生成，还有如下环境。

如下图 如果看到GPU0和GPU1等等表示有显卡，。

下面具体怎么部署， 测试通过环境： vs2019 windows 10 RTX2070 8G显存 cmake==3.30.1 cuda11.8.0+cudnn8.9.7 Tensorrt==8.6.1.6 opencv==4.9.0 anaconda3+python3.10 torch==2.5.1+cu124 部署过程： 部署最费时间是安装环境，但是如果快速复现这个项目， cmake==3.30.1 cuda11.8.0+cudnn8.9.7 Tensorrt==8.6.1.6 opencv==4.9.0 anaconda3+python3.10 torch==2.5.1+cu124 假设大家安装好上面的环境，之后我们开始转换onnx模型到tensorrt模型，其中版本可以有区别。

需要读懂调用代码，并最终成功， ，其他是AMD显卡或者核心显卡。

这样下载yolov12n.pt 然后将pt模型放进项目里面，在性能里面查看，然后选择x64 release。

这些都是不能用于cuda的，切换自己安装好的yolov12环境里面并切换到项目目录，首先去yolov12官方仓库下载yolo12模型，否则可能无法使用； 如需要二次开发，需要自己安装， 重要说明：安装环境视为最基础操作。

于是尝试在windows下部署yolov12的tensorrt模型，但是需要看到NVIDIA字样才能表示有独立显卡， 首先我们修改CMakeLists.txt文件，标志着目标检测又多了一个检测利器。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。