尧图网页设计 
TensorRT MultilevelCropAndResize 插件详解面向 TLT MaskRCNN 的多级 FPN ROIAlign 实现与使用指南【免费下载链接】TensorRTNVIDIA® TensorRT™ is an SDK for high-performance deep learning inference on NVIDIA GPUs. This repository contains the open source components of TensorRT.项目地址: https://gitcode.com/GitHub_Trending/tens/TensorRT本文以 TensorRT 开源仓库中 plugin/multilevelCropAndResizePlugin/README.md 为骨架结合其 C 实现、共享 CUDA Kernel 与 TLT MaskRCNN 配置源码展开系统讲解该插件在 FPN特征金字塔网络多级特征图上执行 ROIAlign 的输入输出约定、参数配置、底层 Kernel 算法细节以及自 TensorRT 10.12 起引入的弃用状态与迁移注意事项。读完本文你将掌握如何理解、配置、集成并评估这一 MaskRCNN 推理链路中的关键算子并能够依据源码自行验证其行为。插件定位MaskRCNN 推理中的多级 ROIAlignMultilevelCropAndResize是 TensorRT 插件集合中为 TLTTransfer Learning ToolkitMaskRCNN 推理定制的算子其职责是在 FPN 输出的多级特征图上对候选框ROI执行 ROIAlign 操作。在标准 MaskRCNN 架构中RPNRegion Proposal Network产生大量候选区域而 ROIAlign 负责将这些尺寸不一的候选区域从特征图中抠取并归一化到固定大小的特征块供后续的分类、边框回归与掩码分支使用。该插件与仓库中的另一插件MultilevelProposeROImultilevelProposeROIPlugin.h构成上下游关系MultilevelProposeROI负责在 FPN 金字塔上生成锚框、执行 NMS 并输出精炼后的 ROI 候选而本插件接收这些 ROI结合 FPN 各层级特征图完成对齐与采样其roi输入正是来自MultilevelProposeROI插件的输出。需要特别注意的是插件 README 开篇即给出明确声明This plugin is deprecated since TensorRT 10.12 and will be removed in a future release. Note alternatives are planned to be provided.即该插件自 TensorRT 10.12 起已被标记为弃用将在未来版本中移除官方计划提供替代实现。在评估新项目或长期维护方案时这一点需要纳入技术选型考量。插件结构输入、输出与数据流该插件仅支持NCHW 布局共接收6 个输入按顺序依次为roi来自MultilevelProposeROI插件的 ROI 候选形状为[N, rois, 4]其中N为 batch sizerois为 ROI 候选数量4为每个 ROI 的坐标数(y1, x1, y2, x2)。5 个feature_mapsFPN 不同阶段的输出特征图对应 P2、P3、P4、P5、P6 五个层级。README 特别强调5 个特征图缺一不可使用更少数量的特征图将无法正常工作。这一约束在源码中得到印证。插件头文件中声明了静态常量static const int32_t mFeatureMapCount 5; // p2, p3, p4, p5, p6(Maxpooling)见 multilevelCropAndResizePlugin.h而check_valid_inputs则通过PLUGIN_ASSERT(nbInputDims 1 mFeatureMapCount)强制校验输入个数必须为 61 个 ROI 张量 5 个特征图。值得注意的是P6 层并非来自骨干网络而是由 P5 经过 MaxPooling 生成——这与 TLT 官方 MaskRCNN 模型的结构一致。插件生成1 个输出张量形状为[N, rois, C, pooled_size, pooled_size]其中C为多个 FPN 特征图共享的通道数pooled_size为 ROIAlign 后特征区域的高与宽相同。输入校验逻辑见 multilevelCropAndResizePlugin.cpp还明确了以下约束roi必须是 2 维张量且最后一维必须为 4即 4 个坐标所有特征图必须为 3 维 CHW 格式且通道数必须一致dims.d[0] inputs[1].d[0]。输出维度推导在 getOutputDimensions 中实现四个维度的取值分别为roi数量、特征图通道数、pooled_size.y、pooled_size.x。参数配置与默认值创建MultilevelCropAndResize实例需要两个参数完整参数表如下类型参数说明intpooled_sizeROIAlign 后特征区域的空间尺寸输出为[pooled_size, pooled_size]int[3]image_size输入图像的尺寸CHW默认为[3, 832, 1344]这两个参数由插件创建器MultilevelCropAndResizePluginCreator通过PluginField机制注册见 multilevelCropAndResizePlugin.cppmPluginAttributes.emplace_back(PluginField(pooled_size, nullptr, PluginFieldType::kINT32, 1)); mPluginAttributes.emplace_back(PluginField(image_size, nullptr, PluginFieldType::kINT32, 3));其中kINT32, 1表示pooled_size是单个 int32 标量kINT32, 3表示image_size是含 3 个 int32 元素的数组。从源码可以进一步确认以下行为细节pooled_size为必填属性。创建器通过plugin::validateRequiredAttributesExist({pooled_size}, fc)强制校验缺失将导致创建失败见 multilevelCropAndResizePlugin.cpp。image_size可省略。省略时使用 TLT MaskRCNN 配置中的默认值TLTMaskRCNNConfig::IMAGE_SHAPE其定义为Dims3{3, 832, 1344}见 tlt_mrcnn_config.h即 832×1344 的 3 通道输入图像。构造时校验。构造函数执行PLUGIN_VALIDATE(pooled_size 0)、imageSize.nbDims 3以及各维度均大于 0 的断言非法输入会被拒绝见 multilevelCropAndResizePlugin.cpp。构造函数中还根据输入图像尺寸保存了mInputHeight imageSize.d[1]与mInputWidth imageSize.d[2]供 Kernel 中的坐标有效性检查使用。与同仓库 TLT MaskRCNN 配置tlt_mrcnn_config.h对照可知该配置还定义了POOL_SIZE 7分类/回归分支的 ROIAlign 池化尺寸、MASK_POOL_SIZE 14掩码分支的池化尺寸等与 MaskRCNN 训练/推理超参可作为设置pooled_size时的参考取值。源码级原理金字塔层级选择与双线性插值插件本身不包含 CUDA 实现其计算核心是 enqueue 中调用的共享 Kernel 函数roiAlignHalfCenter实现位于 plugin/common/kernels/maskRCNNKernels.cu声明见 maskRCNNKernels.h。金字塔层级选择FPN level assignmentROIAlign 的第一步是决定每个 ROI 采样自 FPN 的哪一层。Kernel 采用基于 ROI 面积的阈值判级策略。插件构造函数初始化了基础阈值// Threshold to P3: Smaller - P2 mThresh (224 * 224) / (4.0F);即mThresh 12544.0224×224 像素面积的四分之一对应 ImageNet 预训练输入尺寸的语义。在 Kernel 中见 maskRCNNKernels.cu每个 ROI 先计算包围盒面积hw (y2 - y1) * (x2 - x1)然后与逐层放大 4 倍的阈值序列进行比较面积 ≤ 阈值 → 采样自P2面积 阈值 → 采样自P3阈值翻 4 倍后继续比较依次类推直到P4、P5若面积超过第 4 层放大后的阈值 → 采样自P6。这一逐级 ×4 的阈值递进本质上对应 FPN 中相邻层级 2× 的空间下采样比例面积比即 4×与 MaskRCNN 论文中level floor(log2(√area / 224)) 2的分配公式等价。同时 Kernel 对 ROI 坐标做了有效性检查坐标必须落在[0, inputHeight/inputWidth]范围内且满足y1 y2 x1 x2越界的 ROI 会被跳过。坐标缩放与半像素双线性插值选定层级后Kernel 将 ROI 坐标按层级缩放系数scale_to_level 2^iPiP为所选层级编号映射到对应特征图坐标系const float yStart y1 / scale_to_level; const float xStart x1 / scale_to_level;随后将缩放后的 ROI 区域均匀切分为pooled_size × pooled_size个采样网格见 maskRCNNKernels.cuconst float yDelta (yEnd - yStart) / (poolDims.y); const float xDelta (xEnd - xStart) / (poolDims.x); const float ySample dMIN(dMAX(yStart yDelta * (yy 0.5), 0.0f), srcDims.y - 1.0f);每个采样点的坐标在网格单元内取0.5 的中心偏移即半像素对齐这也是函数名中 HalfCenter 的由来并被钳制在特征图边界内最后通过interpolateBilinear进行双线性插值得到输出值。网格索引(yy, xx)由线程对应的itemIdx解算输出张量按[batch, roi, feature, y, x]布局写入。线程组织Kernel 的启动配置见 maskRCNNKernels.cuconst dim3 blocks(batchSize, featureCount, roiCount); const int threads(64);即 grid 的三个维度分别对应 batch、通道数、ROI 数每个线程块 64 个线程块内线程协作遍历pooled_size × pooled_size的采样点。该 Kernel 针对kFLOAT与kHALF两种数据类型分别有模板特化版本。精度与格式支持插件通过supportsFormat声明其格式兼容性见 multilevelCropAndResizePlugin.cppreturn ((type DataType::kFLOAT || type DataType::kHALF) format PluginFormat::kLINEAR);即支持FP32 与 FP16 两种精度格式仅支持kLINEARNCHW 线性布局这与插件仅支持 NCHW 的整体设计一致。输出数据类型由 getOutputDataType 决定与输入特征图的数据类型对齐——若特征图为 FLOAT 或 HALF则输出采用相同类型否则回退为 FLOAT。在configurePlugin阶段插件记录特征图精度mPrecision inputTypes[1]及各层特征图的空间尺寸供序列化与 Kernel 调度使用。构建与集成该插件的源码通过 plugin/multilevelCropAndResizePlugin/CMakeLists.txt 中的add_plugin_source注册进 TensorRT 插件库随插件库整体编译。使用该插件前需要先加载插件注册表通常通过initLibNvInferPlugins完成插件创建器的注册随后即可在构建网络时通过创建器MultilevelCropAndResizePluginCreator以参数名MultilevelCropAndResize_TRT版本1见 multilevelCropAndResizePlugin.cpp创建插件层。典型创建流程伪代码示意// 1. 填充 PluginFieldpooled_size 必填image_size 可选默认 [3, 832, 1344] std::vectornvinfer1::PluginField fields; int32_t pooledSize 7; int32_t imageSize[3] {3, 832, 1344}; fields.emplace_back(pooled_size, pooledSize, nvinfer1::PluginFieldType::kINT32, 1); fields.emplace_back(image_size, imageSize, nvinfer1::PluginFieldType::kINT32, 3); // 2. 通过创建器 createPlugin 构建插件实例并 addLayer 到网络创建器在createPlugin中完成参数解析pooled_size直接读取为标量image_size通过std::copy_n(dims, 3, imageSize.d)拷贝 3 个元素见 multilevelCropAndResizePlugin.cpp。引擎序列化方面插件实现了getSerializationSize/serialize/deserialize完整闭环见 multilevelCropAndResizePlugin.cpp序列化内容包含pooled_size的高宽、特征图通道数、ROI 数、输入图像高宽、层级选择阈值mThresh、5 个特征图的空间尺寸以及精度类型。反序列化构造函数MultilevelCropAndResize(void const* data, size_t length)与创建器中的deserializePlugin配合确保引擎加载时插件状态完整还原。弃用状态与迁移建议自TensorRT 10.12起该插件被标记为DEPRECATED并将在未来版本中移除。README 同时说明官方计划提供替代实现Note alternatives are planned to be provided但截至当前文档版本仓库中尚未给出具体的替代插件或迁移路径。在迁移窗口期建议关注以下几点若项目尚未升级到 TensorRT 10.12可继续使用本插件但应避免在新代码中将其作为长期依赖若已处于 10.12 且插件仍可用请留意未来版本升级时该层的移除公告该插件为 TLT MaskRCNNmrcnn_nchw模型族定制通用 MaskRCNN 场景可考虑 TensorRT 内置算子或其他通用 ROIAlign 实现如 roiAlignPlugin作为替代方案进行评估。许可证与变更记录许可证插件遵循 TensorRT 软件许可协议TensorRT Software License Agreement协议条款以 NVIDIA 官方 SLA 文档为准。变更记录Changelog2025 年 5 月新增弃用说明2022 年 3 月本 README 第二次发布2020 年 6 月本 README 首次发布。已知问题当前版本无已知问题There are no known issues in this plugin.。延伸阅读插件原始文档plugin/multilevelCropAndResizePlugin/README.md插件实现与创建器multilevelCropAndResizePlugin.cpp、multilevelCropAndResizePlugin.h共享 ROIAlign Kernelplugin/common/kernels/maskRCNNKernels.cu、plugin/common/kernels/maskRCNNKernels.h上游 ROI 生成插件multilevelProposeROIPlugin.hTLT MaskRCNN 全局配置tlt_mrcnn_config.h构建注册方式plugin/multilevelCropAndResizePlugin/CMakeLists.txt【免费下载链接】TensorRTNVIDIA® TensorRT™ is an SDK for high-performance deep learning inference on NVIDIA GPUs. This repository contains the open source components of TensorRT.项目地址: https://gitcode.com/GitHub_Trending/tens/TensorRT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TensorRT MultilevelCropAndResize 插件详解：面向 TLT MaskRCNN 的多级 FPN ROIAlign 实现与使用指南
TensorRT MultilevelCropAndResize 插件详解面向 TLT MaskRCNN 的多级 FPN ROIAlign 实现与使用指南【免费下载链接】TensorRTNVIDIA® TensorRT™ is an SDK for high-performance deep learning inference on NVIDIA GPUs. This repository contains the open source components of TensorRT.项目地址: https://gitcode.com/GitHub_Trending/tens/TensorRT本文以 TensorRT 开源仓库中 plugin/multilevelCropAndResizePlugin/README.md 为骨架结合其 C 实现、共享 CUDA Kernel 与 TLT MaskRCNN 配置源码展开系统讲解该插件在 FPN特征金字塔网络多级特征图上执行 ROIAlign 的输入输出约定、参数配置、底层 Kernel 算法细节以及自 TensorRT 10.12 起引入的弃用状态与迁移注意事项。读完本文你将掌握如何理解、配置、集成并评估这一 MaskRCNN 推理链路中的关键算子并能够依据源码自行验证其行为。插件定位MaskRCNN 推理中的多级 ROIAlignMultilevelCropAndResize是 TensorRT 插件集合中为 TLTTransfer Learning ToolkitMaskRCNN 推理定制的算子其职责是在 FPN 输出的多级特征图上对候选框ROI执行 ROIAlign 操作。在标准 MaskRCNN 架构中RPNRegion Proposal Network产生大量候选区域而 ROIAlign 负责将这些尺寸不一的候选区域从特征图中抠取并归一化到固定大小的特征块供后续的分类、边框回归与掩码分支使用。该插件与仓库中的另一插件MultilevelProposeROImultilevelProposeROIPlugin.h构成上下游关系MultilevelProposeROI负责在 FPN 金字塔上生成锚框、执行 NMS 并输出精炼后的 ROI 候选而本插件接收这些 ROI结合 FPN 各层级特征图完成对齐与采样其roi输入正是来自MultilevelProposeROI插件的输出。需要特别注意的是插件 README 开篇即给出明确声明This plugin is deprecated since TensorRT 10.12 and will be removed in a future release. Note alternatives are planned to be provided.即该插件自 TensorRT 10.12 起已被标记为弃用将在未来版本中移除官方计划提供替代实现。在评估新项目或长期维护方案时这一点需要纳入技术选型考量。插件结构输入、输出与数据流该插件仅支持NCHW 布局共接收6 个输入按顺序依次为roi来自MultilevelProposeROI插件的 ROI 候选形状为[N, rois, 4]其中N为 batch sizerois为 ROI 候选数量4为每个 ROI 的坐标数(y1, x1, y2, x2)。5 个feature_mapsFPN 不同阶段的输出特征图对应 P2、P3、P4、P5、P6 五个层级。README 特别强调5 个特征图缺一不可使用更少数量的特征图将无法正常工作。这一约束在源码中得到印证。插件头文件中声明了静态常量static const int32_t mFeatureMapCount 5; // p2, p3, p4, p5, p6(Maxpooling)见 multilevelCropAndResizePlugin.h而check_valid_inputs则通过PLUGIN_ASSERT(nbInputDims 1 mFeatureMapCount)强制校验输入个数必须为 61 个 ROI 张量 5 个特征图。值得注意的是P6 层并非来自骨干网络而是由 P5 经过 MaxPooling 生成——这与 TLT 官方 MaskRCNN 模型的结构一致。插件生成1 个输出张量形状为[N, rois, C, pooled_size, pooled_size]其中C为多个 FPN 特征图共享的通道数pooled_size为 ROIAlign 后特征区域的高与宽相同。输入校验逻辑见 multilevelCropAndResizePlugin.cpp还明确了以下约束roi必须是 2 维张量且最后一维必须为 4即 4 个坐标所有特征图必须为 3 维 CHW 格式且通道数必须一致dims.d[0] inputs[1].d[0]。输出维度推导在 getOutputDimensions 中实现四个维度的取值分别为roi数量、特征图通道数、pooled_size.y、pooled_size.x。参数配置与默认值创建MultilevelCropAndResize实例需要两个参数完整参数表如下类型参数说明intpooled_sizeROIAlign 后特征区域的空间尺寸输出为[pooled_size, pooled_size]int[3]image_size输入图像的尺寸CHW默认为[3, 832, 1344]这两个参数由插件创建器MultilevelCropAndResizePluginCreator通过PluginField机制注册见 multilevelCropAndResizePlugin.cppmPluginAttributes.emplace_back(PluginField(pooled_size, nullptr, PluginFieldType::kINT32, 1)); mPluginAttributes.emplace_back(PluginField(image_size, nullptr, PluginFieldType::kINT32, 3));其中kINT32, 1表示pooled_size是单个 int32 标量kINT32, 3表示image_size是含 3 个 int32 元素的数组。从源码可以进一步确认以下行为细节pooled_size为必填属性。创建器通过plugin::validateRequiredAttributesExist({pooled_size}, fc)强制校验缺失将导致创建失败见 multilevelCropAndResizePlugin.cpp。image_size可省略。省略时使用 TLT MaskRCNN 配置中的默认值TLTMaskRCNNConfig::IMAGE_SHAPE其定义为Dims3{3, 832, 1344}见 tlt_mrcnn_config.h即 832×1344 的 3 通道输入图像。构造时校验。构造函数执行PLUGIN_VALIDATE(pooled_size 0)、imageSize.nbDims 3以及各维度均大于 0 的断言非法输入会被拒绝见 multilevelCropAndResizePlugin.cpp。构造函数中还根据输入图像尺寸保存了mInputHeight imageSize.d[1]与mInputWidth imageSize.d[2]供 Kernel 中的坐标有效性检查使用。与同仓库 TLT MaskRCNN 配置tlt_mrcnn_config.h对照可知该配置还定义了POOL_SIZE 7分类/回归分支的 ROIAlign 池化尺寸、MASK_POOL_SIZE 14掩码分支的池化尺寸等与 MaskRCNN 训练/推理超参可作为设置pooled_size时的参考取值。源码级原理金字塔层级选择与双线性插值插件本身不包含 CUDA 实现其计算核心是 enqueue 中调用的共享 Kernel 函数roiAlignHalfCenter实现位于 plugin/common/kernels/maskRCNNKernels.cu声明见 maskRCNNKernels.h。金字塔层级选择FPN level assignmentROIAlign 的第一步是决定每个 ROI 采样自 FPN 的哪一层。Kernel 采用基于 ROI 面积的阈值判级策略。插件构造函数初始化了基础阈值// Threshold to P3: Smaller - P2 mThresh (224 * 224) / (4.0F);即mThresh 12544.0224×224 像素面积的四分之一对应 ImageNet 预训练输入尺寸的语义。在 Kernel 中见 maskRCNNKernels.cu每个 ROI 先计算包围盒面积hw (y2 - y1) * (x2 - x1)然后与逐层放大 4 倍的阈值序列进行比较面积 ≤ 阈值 → 采样自P2面积 阈值 → 采样自P3阈值翻 4 倍后继续比较依次类推直到P4、P5若面积超过第 4 层放大后的阈值 → 采样自P6。这一逐级 ×4 的阈值递进本质上对应 FPN 中相邻层级 2× 的空间下采样比例面积比即 4×与 MaskRCNN 论文中level floor(log2(√area / 224)) 2的分配公式等价。同时 Kernel 对 ROI 坐标做了有效性检查坐标必须落在[0, inputHeight/inputWidth]范围内且满足y1 y2 x1 x2越界的 ROI 会被跳过。坐标缩放与半像素双线性插值选定层级后Kernel 将 ROI 坐标按层级缩放系数scale_to_level 2^iPiP为所选层级编号映射到对应特征图坐标系const float yStart y1 / scale_to_level; const float xStart x1 / scale_to_level;随后将缩放后的 ROI 区域均匀切分为pooled_size × pooled_size个采样网格见 maskRCNNKernels.cuconst float yDelta (yEnd - yStart) / (poolDims.y); const float xDelta (xEnd - xStart) / (poolDims.x); const float ySample dMIN(dMAX(yStart yDelta * (yy 0.5), 0.0f), srcDims.y - 1.0f);每个采样点的坐标在网格单元内取0.5 的中心偏移即半像素对齐这也是函数名中 HalfCenter 的由来并被钳制在特征图边界内最后通过interpolateBilinear进行双线性插值得到输出值。网格索引(yy, xx)由线程对应的itemIdx解算输出张量按[batch, roi, feature, y, x]布局写入。线程组织Kernel 的启动配置见 maskRCNNKernels.cuconst dim3 blocks(batchSize, featureCount, roiCount); const int threads(64);即 grid 的三个维度分别对应 batch、通道数、ROI 数每个线程块 64 个线程块内线程协作遍历pooled_size × pooled_size的采样点。该 Kernel 针对kFLOAT与kHALF两种数据类型分别有模板特化版本。精度与格式支持插件通过supportsFormat声明其格式兼容性见 multilevelCropAndResizePlugin.cppreturn ((type DataType::kFLOAT || type DataType::kHALF) format PluginFormat::kLINEAR);即支持FP32 与 FP16 两种精度格式仅支持kLINEARNCHW 线性布局这与插件仅支持 NCHW 的整体设计一致。输出数据类型由 getOutputDataType 决定与输入特征图的数据类型对齐——若特征图为 FLOAT 或 HALF则输出采用相同类型否则回退为 FLOAT。在configurePlugin阶段插件记录特征图精度mPrecision inputTypes[1]及各层特征图的空间尺寸供序列化与 Kernel 调度使用。构建与集成该插件的源码通过 plugin/multilevelCropAndResizePlugin/CMakeLists.txt 中的add_plugin_source注册进 TensorRT 插件库随插件库整体编译。使用该插件前需要先加载插件注册表通常通过initLibNvInferPlugins完成插件创建器的注册随后即可在构建网络时通过创建器MultilevelCropAndResizePluginCreator以参数名MultilevelCropAndResize_TRT版本1见 multilevelCropAndResizePlugin.cpp创建插件层。典型创建流程伪代码示意// 1. 填充 PluginFieldpooled_size 必填image_size 可选默认 [3, 832, 1344] std::vectornvinfer1::PluginField fields; int32_t pooledSize 7; int32_t imageSize[3] {3, 832, 1344}; fields.emplace_back(pooled_size, pooledSize, nvinfer1::PluginFieldType::kINT32, 1); fields.emplace_back(image_size, imageSize, nvinfer1::PluginFieldType::kINT32, 3); // 2. 通过创建器 createPlugin 构建插件实例并 addLayer 到网络创建器在createPlugin中完成参数解析pooled_size直接读取为标量image_size通过std::copy_n(dims, 3, imageSize.d)拷贝 3 个元素见 multilevelCropAndResizePlugin.cpp。引擎序列化方面插件实现了getSerializationSize/serialize/deserialize完整闭环见 multilevelCropAndResizePlugin.cpp序列化内容包含pooled_size的高宽、特征图通道数、ROI 数、输入图像高宽、层级选择阈值mThresh、5 个特征图的空间尺寸以及精度类型。反序列化构造函数MultilevelCropAndResize(void const* data, size_t length)与创建器中的deserializePlugin配合确保引擎加载时插件状态完整还原。弃用状态与迁移建议自TensorRT 10.12起该插件被标记为DEPRECATED并将在未来版本中移除。README 同时说明官方计划提供替代实现Note alternatives are planned to be provided但截至当前文档版本仓库中尚未给出具体的替代插件或迁移路径。在迁移窗口期建议关注以下几点若项目尚未升级到 TensorRT 10.12可继续使用本插件但应避免在新代码中将其作为长期依赖若已处于 10.12 且插件仍可用请留意未来版本升级时该层的移除公告该插件为 TLT MaskRCNNmrcnn_nchw模型族定制通用 MaskRCNN 场景可考虑 TensorRT 内置算子或其他通用 ROIAlign 实现如 roiAlignPlugin作为替代方案进行评估。许可证与变更记录许可证插件遵循 TensorRT 软件许可协议TensorRT Software License Agreement协议条款以 NVIDIA 官方 SLA 文档为准。变更记录Changelog2025 年 5 月新增弃用说明2022 年 3 月本 README 第二次发布2020 年 6 月本 README 首次发布。已知问题当前版本无已知问题There are no known issues in this plugin.。延伸阅读插件原始文档plugin/multilevelCropAndResizePlugin/README.md插件实现与创建器multilevelCropAndResizePlugin.cpp、multilevelCropAndResizePlugin.h共享 ROIAlign Kernelplugin/common/kernels/maskRCNNKernels.cu、plugin/common/kernels/maskRCNNKernels.h上游 ROI 生成插件multilevelProposeROIPlugin.hTLT MaskRCNN 全局配置tlt_mrcnn_config.h构建注册方式plugin/multilevelCropAndResizePlugin/CMakeLists.txt【免费下载链接】TensorRTNVIDIA® TensorRT™ is an SDK for high-performance deep learning inference on NVIDIA GPUs. This repository contains the open source components of TensorRT.项目地址: https://gitcode.com/GitHub_Trending/tens/TensorRT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考