【Ubuntu版】TensorRT deb安装避坑指南：从环境对齐到验证成功

1. 环境准备：从零开始的TensorRT安装基础

第一次在Ubuntu上装TensorRT时，我对着满屏的依赖报错差点崩溃。后来才发现，问题的根源往往出在环境准备阶段。就像盖房子要打地基，TensorRT的安装也需要先搞定三个关键组件：CUDA、cuDNN和Python环境。

CUDA是NVIDIA的通用并行计算平台，相当于GPU的"操作系统"。我建议直接用deb包安装，因为TensorRT的deb安装方式对CUDA有强制要求。以CUDA 11.0为例，安装命令如下：

sudo apt-get install cuda-11-0

cuDNN则是深度学习的加速库，版本必须与CUDA严格匹配。比如CUDA 11.0对应cuDNN 8.0.5。安装时需要先到NVIDIA官网下载deb包：

sudo dpkg -i libcudnn8_8.0.5.39-1+cuda11.0_amd64.deb

Python环境我强烈推荐使用Anaconda创建虚拟环境。这不仅能隔离不同项目的依赖，还能避免系统Python被污染。创建环境的命令很简单：

conda create -n tensorrt python=3.7 conda activate tensorrt

注意：TensorRT对Python版本很敏感，Python 3.7是最稳妥的选择。我曾在3.8环境遇到各种奇怪的兼容性问题。

2. 安装TensorRT deb包：魔鬼在细节中

下载TensorRT deb包时，文件名里藏着关键信息。以nv-tensorrt-repo-ubuntu1604-cuda11.0-trt7.1.3.4-ga-20200617_1-1_amd64.deb为例：

• ubuntu1604：系统版本
• cuda11.0：CUDA版本
• trt7.1.3.4：TensorRT版本

安装过程看似简单，但有几个坑我踩过多次：

sudo dpkg -i nv-tensorrt-repo-*.deb sudo apt-key add /var/nv-tensorrt-repo-*/7fa2af80.pub sudo apt-get update

最关键的步骤是添加密钥。有次我漏了这一步，导致后续安装全部失败。安装完成后，建议检查软件源：

sudo apt-cache policy tensorrt

这个命令会显示可安装的TensorRT版本。如果看到版本号与你下载的一致，说明前期工作都做对了。

3. Python接口安装：容易被忽略的关键步骤

很多教程到上一步就结束了，但其实Python接口需要单独安装。我遇到过模型转换时突然报错，就是因为漏装了这些组件：

sudo apt-get install python3-libnvinfer-dev python3 -m pip install numpy onnx sudo apt-get install onnx-graphsurgeon

特别注意：python3-libnvinfer-dev必须用apt安装，而onnx-graphsurgeon则要区分系统包和pip包。有次我混用了安装方式，导致运行时出现诡异的符号冲突。

验证Python接口是否正常：

import tensorrt print(tensorrt.__version__)

如果这里报错，八成是Python环境或版本有问题。我的经验是：宁可重装虚拟环境，也不要在一堆报错中挣扎。

4. 验证与排错：从安装成功到真正可用

安装完成只是第一步，真正的考验是验证功能是否正常。我最常用的验证方法是跑一个简单的MNIST模型转换：

cd /usr/src/tensorrt/samples/python/introductory_parser_samples python3 onnx_to_tensorrt.py

这个脚本会自动下载MNIST模型并转换为TensorRT引擎。如果看到类似这样的输出，说明安装完全成功：

[06/12/2022-15:30:45] [I] Building an engine... [06/12/2022-15:30:46] [I] Engine built.

常见问题排查：

1. CUDA版本不匹配：报错信息中出现cudaGetDevice()失败

   • 解决方法：nvidia-smi查看驱动版本，nvcc --version查看CUDA版本

2. cuDNN加载失败：报错信息包含libcudnn.so

   • 解决方法：检查/usr/lib/x86_64-linux-gnu下的符号链接是否正确

3. Python接口缺失：import时报No module named 'tensorrt'

   • 解决方法：确认Python环境路径，检查/usr/lib/python3/dist-packages是否有tensorrt库

5. 进阶技巧：让TensorRT工作更稳定

经过多次安装实践，我总结出几个提升稳定性的技巧：

虚拟环境隔离：为每个TensorRT项目创建独立环境。比如做目标检测时：

conda create -n yolov5 python=3.7 conda activate yolov5 pip install -r requirements.txt

版本锁定：使用requirements.txt固定所有依赖版本：

tensorrt==7.1.3.4 numpy==1.19.5 onnx==1.8.1

日志调试：遇到问题时启用详细日志：

import tensorrt tensorrt.Logger(tensorrt.Logger.VERBOSE)

性能调优：在/usr/src/tensorrt/bin下有各种性能测试工具。比如：

./trtexec --onnx=model.onnx --saveEngine=model.plan

这个命令可以测试模型在不同batch size下的推理速度，帮助找到最优配置。

6. 真实案例：从报错到解决的完整过程

去年在部署一个工业质检模型时，我遇到一个典型问题：安装成功但转换失败。报错信息是：

[TensorRT] ERROR: INVALID_ARGUMENT: getPluginCreator could not find plugin...

经过排查发现是插件缺失。解决方法分三步：

1. 确认插件库是否安装：

sudo apt-get install libnvinfer-plugin-dev

2. 检查环境变量：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/x86_64-linux-gnu

3. 在代码中显式加载插件：

trt.init_libnvinfer_plugins(TRT_LOGGER, "")

整个过程耗时两天，最终发现是系统自动更新导致CUDA路径变化。从此我养成了定期检查/usr/local/cuda符号链接的习惯。