bboxes： 1004变为4100 4。scores：100变为4 100。后续抽空再补上TenormousrtC++的推理部分。labels：80变为4 80。num_dets：1变为4 1。

3.推理耗时来看：fp16下：0.00583fp32下：0.00900， fp16耗时提升3.17ms，性能提升35.22%，可以看出单张推理耗时上，fp16的优势较大。2.GPU占用：显卡使用的是NVIDIA GeForce RTX 4060，波动性较大，在1.1G - 4.2G之间，没有查明原因。4.模型大小来看：fp16：14.9MBfp32：27.9MB，缩小13MB ，46.59%1.从

由于个人的项目特殊性，需要检测的图片分辨率很大，通常需要将一张图片切分4张/5张进行检测，尽管C++上TensorRT部署，模型的推理耗时已经得到了非常大的提升了，不过本着优化到极致的初衷，花了两周时间研究了下yolov8的python版本:onnx、tensorrt下的多batch部署和C++下TensorRT的多Batch部署，有感兴趣的可以下载学习，也可以加我微信，手把手教程。有需要可私信你

由于个人的项目特殊性，需要检测的图片分辨率很大，通常需要将一张图片切分4张/5张进行检测，尽管C++上TensorRT部署，模型的推理耗时已经得到了非常大的提升了，不过本着优化到极致的初衷，花了两周时间研究了下yolov8的python版本:onnx、tensorrt下的多batch部署和C++下TensorRT的多Batch部署，有感兴趣的可以下载学习，也可以加我微信，手把手教程。有需要可私信你

最近正好有空，准备研究一下yolov11，训练和部署跑通之后，发现没有找到详细点的训练教程，呢就自己做一个，顺便分享一下，后续会分享yolov11的 python推理部署 和 C++(tensorrt)推理部署的手把手教程，路过的点个关注先，以免错过～运行完之后，会在datasets根目录下生成以下三个训练所需的文件：train.txt 、 val.txt 、 test.txt。对于yolov11