在阅读本章内容之前，需要把部署环境以及训练环境都安装好。
1.TensorRTX下载
这里使用Wang-xinyu大佬维护的TensorRTX库来对YOLOv8进行推理加速的演示，顺便也验证一下前面环境配置的成果。
github地址：GitHub - wang-xinyu/tensorrtx，下载后放到wsl的路径下，我这里放在/home路径下，并解压到/home路径下：
unzip tensorrtx-master.zip 
2.Vs-Code远程连接TensorRTX
首先必须先安装一个WSL插件，如下所示：
然后连接WSL-Ubuntu2004，如下所示：
最后打开我们解压的tensorRTX文件，因为我们需要用到YOLOv8,所以选择YOLOv8,然后点击OK就可以了。
因为后面同时涉及到Python代码和C++代码，所以把这两个用到的插件也一起安装了，其中python环境需要安装Python插件，C++环境需要安装c++插件.
3.使用YOLOv8n.pt进行推理加速实验
这里就先使用官方的YOLOv8n.pt目标检测模型进行实验，看看我们的环境是否安装成功，这里只是先走一遍流程，关于TensorRTX的具体细节后面会有专门的文章来介绍。
第一步:当然是要把官方的YOLOv8n.pt放到/home/tensorrtx-master/yolov8路径下，然后执行gen_wts.py代码，修改pt_file路径（-w）和生成的wts_file路径(-o)就行，如下所示。这段代码是把.pt模型的参数大小及权值保存下成.wts，后面也是根据该.wts文件的保存规则解析并序列化成.engine文件。
python gen_wts.py -w /home/tensorrtx-master/yolov8/yolov8n.pt -o /home/tensorrtx-master/yolov8/yolov8n.wts -t detect 第二步:需要配置相关的头文件，shift+ctrl+P，搜索Edit configurations (UI)，然后在Include path这里补充上以下路径，也就是我们前面安装的Cuda、OpenCV和TensorRT的头文件路径。
/usr/local/cuda-11.6/include
/usr/local/include/opencv4
/root/TensorRT-8.5.1.7/include同时需要修改一下CMakeLists.txt文件中关于tensorRT的include和lib路径，如下所示.
然后就可以在vs-code终端执行以下指令：
mkdir build
cd build
cp /home/tensorrtx-master/yolov8/yolov8n.wts /home/tensorrtx-master/yolov8/build
cmake ..
make执行完之后发现在build路径下会生成可执行文件yolov8_det.
第三步：序列化生成.engine模型，这一步时间会稍微长一点，执行成功后会在build路径下生成yolov8n.engine文件。
./yolov8_det -s /home/tensorrtx-master/yolov8/yolov8n.wts yolov8n.engine n第四步：反序列化.engine模型并进行推理，推理结果也是直接保存在build路径下，
./yolov8_det -d yolov8n.engine ../images c
我用多张图片进行测试，推理时间是很快的，只花费了1ms，如下所示。
至此，使用WSL-Ubuntu20.04环境对YOLOv8模型进行了推理加速的实验，但是我们发现WSL-Ubuntu20.04配置环境也还是很复杂，要手动安装那么多东西，下面我会介绍环境搭建神器Docker，来快速搭建部署及训练环境，实现Develop faster. Run anywhere.这种效果。
