本文参考Nvidia的
官方链接
本文包含在 Windows 11 上从 zip 包安装 TensorRT 的说明。
在你开始之前
确保您已安装了CUDA11.5+cuDNN8.2.0
作者一开始是用CUDA11.5+cuDNN8.3.1安装，但是安装完成后一直报错“Could not load library cudnn_cnn_infer64_8.dll. Error code 126”
后来参考https://stackoverflow.com/questions/69879188/could-not-load-library-cudnn-cnn-infer64-8-dll-error-code-126， 将cuDNN8.3.1安装成了cuDNN8.2.0，然后错误顺利解决。
安装过程：
-
下载
与您正在使用的 Windows 版本匹配的 TensorRT zip 文件。
nvidia官方网站下载TensorRT8.0.1，解压到指定目录中（注：TensorRT分为GA和EA版本，EA是提前发布的不稳定版本，GA是经过完备测试的稳定版本）
-
选择要安装 TensorRT 的位置。 zip 文件会将所有内容安装到名为 TensorRT-8.x.x.x
的子目录中。在下面的步骤中，这个新的子目录将被称为 。
-
将 TensorRT-8.x.x.x.Windows10.x86_64.cuda-x.x.cudnn8.x.zip
文件解压缩到您选择的位置。这里面：
1. 8.x.x.x 是您的 TensorRT 版本
2. cuda-x.x 是 CUDA 版本 10.2 或 11.6
3. cudnn8.x 是 cuDNN 版本 8.3
-
将 TensorRT 库文件添加到系统 PATH。有两种方法可以完成此任务：
4.1 将 DLL 文件保留在解压缩的位置，并将 /lib 添加到系统 PATH。您可以使用以下步骤将新路径添加到系统 PATH。
4.1.1 按 Windows 键并搜索“环境变量”，它应该会显示选项编辑系统环境变量并单击它。
4.1.2 单击窗口底部的环境变量…。
4.1.3 在系统变量下，选择路径并单击编辑…。
4.1.4 单击新建或浏览以添加包含 /lib 的新项目。
4.1.5 继续点击确定，直到所有新打开的窗口都关闭。
4.1.6 如果您的 cuDNN 库未复制到 CUDA 安装目录，而是留在解压缩的位置，则对 cuDNNbin 目录重复上述步骤。
4.2 将 DLL 文件从/lib 到您的 CUDA 安装目录，例如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\bin，其中 vX.Y 是您的 CUDA 版本。 CUDA 安装程序应该已经将 CUDA 路径添加到系统 PATH 中。
-
从 /python 安装 TensorRT Python wheel文件之一：python.exe -m pip install tensorrt-*-cp3x-none-win_amd64.whl
-
要验证您的安装是否正常工作，您应该从示例之一（例如 sampleMNIST）打开 Visual Studio 解决方案文件，并确认您能够构建和运行示例。如果您想在自己的项目中使用 TensorRT，请确保您的 Visual Studio 解决方案项目属性中存在以下内容：
6.1 /lib 已添加到您的 PATH 变量中，并出现在 VC++ 目录 > 可执行目录下。
6.2 /include 位于 C/C++ > General > AdditionalDirectories 下。
6.3 nvinfer.lib 和您的项目所需的任何其他 LIB 文件都位于 Linker > Input > Additional Dependencies 下。
注意：为了构建包含的示例，您应该安装 Visual Studio 2022。社区版足以构建 TensorRT 示例。
-
如果您使用的是 TensorFlow 或 PyTorch，请安装所有 uff、graphsurgeon 和 onnx_graphsurgeon wheel包。在安装 uff、graphsurgeon 或 onnx_graphsurgeon 之前，您必须准备好 Python 环境。
如果使用 Python 3.x
```python
python3 -m pip install <installpath>\graphsurgeon\graphsurgeon-0.4.5-py2.py3-none-any.whl
python3 -m pip install <installpath>\uff\uff-0.6.9-py2.py3-none-any.whl
python3 -m pip install <installpath>\onnx_graphsurgeon\onnx_graphsurgeon-0.3.12-py2.py3-none-any.whl
本文参考Nvidia的官方链接本节包含在 Windows 10 上从 zip 包安装 TensorRT 的说明。在你开始之前确保您已安装以下依赖项。CUDA 10.2、11.0 更新 1、11.1 更新 1、11.2 更新 2、11.3 更新 1、11.4 更新 3、11.5 更新 1 或 11.6cuDNN 8.3.2安装过程：下载与您正在使用的 Windows 版本匹配的 TensorRT zip 文件。选择要安装 TensorRT 的位置。 zip 文件会将所有内容安装到名为
第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。
第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。
第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。
第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
https://developer.nvidia.com/nvidia-tensorrt-8x-download
cuDNN Archive | NVIDIA Developer
CUDA Toolkit Archive | NVIDIA Developer
显卡：Quadro P3200 (计算能力 6.1)
CUDA：11.3.1（https://developer.download.nvidia.com/compute/cuda/11.3.1/local_insta
vtk8.0.1是一个开源的图形库，它提供了丰富的功能和工具用于可视化和图形处理。如果需要使用vtk8.0.1和qt编译文件，可以按照以下步骤进行操作。
首先，需要下载并安装vtk8.0.1和qt的开发环境。vtk的官方网站提供了vtk的源代码和编译指南，可以根据自己的操作系统和编译器选择相应的版本进行下载和安装。
安装完vtk后，需要配置vtk的环境变量，将vtk的库文件路径加入到系统的路径中，这样编译器才能够找到vtk的头文件和库文件。
接下来，需要创建一个qt工程文件，并在工程文件中配置vtk的头文件和库文件的路径。可以在工程文件中使用如下代码指定vtk的路径：
INCLUDEPATH += /vtk/include
LIBS += -L/vtk/lib -lvtk
这样编译器在编译和链接文件时会自动找到vtk的库文件。
在qt的工程文件中，可以使用vtk的类和函数来进行图形处理和可视化操作。可以参考vtk官方文档和示例代码来学习vtk的使用方法和功能。
编译和运行qt工程文件时，可以使用qt提供的编译器和调试工具来进行编译和调试。在编译过程中，编译器会自动链接vtk的库文件，确保程序能够正常运行。
以上就是使用vtk8.0.1和qt编译文件的简单步骤。希望对你有所帮助！
