TensorRT 是 NVIDIA 推出的高性能深度学习推理加速库，通过层融合、FP16/INT8 量化和内核自动调优等技术显著提升模型推理速度。在 YOLOv7 项目中，将训练好的 best.pt 模型转换为 ONNX 格式，使用 TensorRT 的 trtexec 工具将其优化为 .engine 引擎文件，支持 FP16 精度以平衡速度和精度。最终通过 infer.py 加载优化后的引擎实现

这篇教程完整介绍了如何使用YOLOv7算法实现水果目标检测项目，从环境搭建（CUDA、cuDNN配置）、数据标注（LabelImg工具使用）、代码修改（detect.py/train.py等核心文件配置），到模型训练、测试评估的全流程。通过自定义项目结构、划分数据集、调整参数，最终训练出能准确识别水果的模型，并提供了单张图片检测和性能测试的实践方法，帮助初学者快速掌握YOLOv7目标检测技术的实际

在export.py文件中修改需要转的模型的路径，然后运行，生成.onnx文件，再将此文件（.onnx）复制到TensorRt-8.6.1.6\bin目录，在这个目录下进入终端，激活yolo环境，使用TensorRt自带的trtexec.exe将.onnx转成最终需要的.engine引擎文件（使用转换指令）解决：删除系统文件（Ctrl+Alt+F2打开命令行，输入硬盘格式化指令：sudo mkfs