【笔记】Windows 安装 TensorRT 10.13.3.9（适配 CUDA 13.0，附跨版本 CUDA 调用维护方案）
实操笔记 | Windows 安装 TensorRT 10.13.3.9（适配 CUDA 13.0，含跨版本 CUDA 调用维护示例）—— 系统 CUDA 13.0 与虚拟环境 CUDA 12.8 版本差异时，TensorRT 调用维护实例详见附录
本文针对 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip，结合实际操作截图，从“解压-配置-验证”全流程拆解步骤，解决官方文档模糊问题，新手也能按图完成安装。
一、前期准备：确认依赖与文件
CUDA & cuDNN 安装
好消息，最新CUDA和cuDNN安装，俩都可以用exe安装包直装了 CUDA12.6.3和cuDNN9.6.0 Windows系统 省事
是否需要预先安装 CUDA Toolkit？——按使用场景分级推荐及进阶说明
CUDA 与 cuDNN 免登录下载政策详解（基于官方权威信息）
NVIDIA CUDA 13.0 发布：新特性与快捷更新安装全解析
CUDA 13.0 适配的 cuDNN 9.11 发布：网页内容速览
CUDA 深度神经网络 （cuDNN） |NVIDIA 开发人员
安装 CUDA 13 后 ONNX Runtime 报错“Failed to create CUDAExecutionProvider” 的完整修复方案——附 CMD & PowerShell 一
1. 必装依赖（版本必须匹配）
| 依赖项 | 版本要求 | 作用说明 |
|---|---|---|
| NVIDIA 显卡驱动 | 支持 CUDA 13.0 | 确保 GPU 能正常调用 CUDA 核心 |
| CUDA Toolkit | 13.0（含 Update 1） | TensorRT 运行的底层计算框架 |
| cuDNN | 8.9.7（适配 CUDA 13.0） | 加速深度学习任务的 GPU 优化库 |
| Python（可选） | 3.8~3.13（推荐 3.10+） | 用于调用 TensorRT Python 接口 |
验证 CUDA 是否安装成功：打开 命令提示符（CMD），输入
nvcc -V，若显示 CUDA 13.0 版本信息，说明依赖正常（如图1）。
图1：CUDA 版本验证
2. 下载 TensorRT 压缩包
TensorRT 官方网站
TensorRT SDK |NVIDIA 开发人员
安装 TensorRT — NVIDIA TensorRT 文档
windows安装tensorrt- 知乎
从 NVIDIA 官网下载 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip（需登录 NVIDIA 账户，如图2），保存到电脑下载目录（如 E:\Downloads\Compressed）。
图2：TensorRT 下载页面（登录后才能选择对应版本）
图3：TensorRT 登录页面
图4：TensorRT 登录验证界面（邮件链接验证）
图5：TensorRT 可用版本页面（选中版本后跳转后续界面）
图6：TensorRT 下载前勾选许可协议界面（需勾选页面中的小框）
图7：TensorRT 下载 系统适配版本列表界面（找到 Zip Packages for Windows）
下载对应 CUDA 的版本
图8：TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip 压缩包下载中
下载的是 CUDA13.0 版的
二、第一步：解压并移动到目标目录
1. 解压压缩包
右键点击下载的 TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip，选择“全部解压缩”，解压路径默认与压缩包同目录（如 E:\Downloads\Compressed）。
解压后会出现 嵌套目录：E:\Downloads\Compressed\TensorRT-10.13.3.9.Windows.win10.cuda-13.0\TensorRT-10.13.3.9（如图3），核心文件（lib/include/python）都在最内层的 TensorRT-10.13.3.9 中。
图9：解压后的嵌套目录结构
图9：TensorRT-10.13.3.9.Windows.win10.cuda-13.0.zip 压缩包解压后的嵌套目录结构
2. 手动移动到目标目录
主要考虑到配置环境变量以及后期调用，为避免后续配置路径过长，将最内层的 TensorRT-10.13.3.9 文件夹移动到 根目录或简单路径（如 C:\TensorRT-10.13.3.9，如图10）。
注意：目标路径不要含中文/空格（如“ C 盘 或 D 盘”），否则后续可能出现“文件找不到”错误。
图10：移动后的目标目录（路径简洁）
图11：TensorRT-10.13.3.9 文件夹解压后的大小（约 1.7 GB）
查看占用空间大小以规划目标空间
三、第二步：配置系统环境变量
环境变量的作用是让 Windows 系统找到 TensorRT 的库文件（.dll），必须配置正确，否则后续调用会报错。
1. 打开环境变量设置
- 右键点击“此电脑”→ 选择“属性”→ 点击“高级系统设置”（如图12）→ 在弹出窗口中点击“环境变量”。
- 所需的变量除了按本笔记记述的条目外，可按实际项目需求，按需添加目录进环境变量中。
图12：进入“高级系统设置”
2. 添加 TensorRT 路径到 PATH
C
:\TensorRT-10.13.3.9\lib
C:\TensorRT-10.13.3.9\bin
# 其他的路径后续可按开发需要灵活添加
- 在“系统变量”中找到
Path，双击打开编辑窗口（如图13）→ 点击“新建”→ 粘贴 TensorRT 的lib目录路径（如 C:\TensorRT-10.13.3.9\lib）等→ 点击“确定”保存（所有窗口都要点“确定”，否则配置不生效）。
图13：编辑 PATH 环境变量
图14：新建变量值
图15：添加
TensorRT-10.13.3.9 相关路径
3. （可选）创建 TENSORRT_PATH 变量
为后续开发方便（如 Visual Studio 配置），可新增一个系统变量：
- 在“系统变量”中点击“新建”→ 变量名填
TENSORRT_PATH，变量值填 TensorRT 根目录（如 C:\TensorRT-10.13.3.9，如图16）→ 点击“确定”。
图16：创建 TENSORRT_PATH 变量
四、第三步：安装 Python 接口（可选，常用场景）
若需用 Python 调用 TensorRT（如 PyTorch/TensorFlow 模型推理），需安装对应版本的 wheel 包。
1. 确认 Python 版本
打开 CMD，输入 python --version，查看当前 Python 版本（如 Python 3.12.11，如图17），后续需选择对应 cp310 后缀的 wheel 文件。
图17：查看 Python 版本
2. 进入 TensorRT 的 python 目录
在需要配置 TensorRT 的虚拟环境中，激活环境终端（以 CMD 为例）后 ，通过 cd 命令切换到 TensorRT 的 python 文件夹（如 C:\TensorRT-10.13.3.9\python），输入命令：
cd /d C:\TensorRT-10.13.3.9\python
或者复制 .whl 文件到项目文件夹内，从本地进行安装。
注：“
/d”参数用于跨盘切换路径（如从 C 盘切换到 E 盘），若路径在同盘可省略。也可以把
C:\TensorRT-10.13.3.9\python 文件夹备份在其他位置以节省 C 盘空间
图18：确认安装文件（3个版本可选，具体选择建议请继续往下看）
3. 安装 wheel 包
根据 Python 版本选择对应的 wheel 文件（如 Python 3.10 对应 tensorrt-10.13.3.9-cp310-none-win_amd64.whl），输入安装命令：
python -m pip install tensorrt-10.13.3.9-cp312-none-win_amd64.whl若需安装精简版（lean） 或调度版（dispatch），替换命令为：
# 精简版（仅核心推理功能，体积小）
python -m pip install tensorrt_lean-10.13.3.9-cp312-none-win_amd64.whl# 调度版（支持动态调度，适合多环境）
python -m pip install tensorrt_dispatch-10.13.3.9-cp312-none-win_amd64.whl
安装成功后会显示“Successfully installed…”（如图19）。
图19：Python 接口安装成功
五、第四步：验证安装（关键步骤，确保可用）
1. 验证 Python 接口
打开 CMD，输入 python 进入 Python 交互环境，执行以下代码：
import tensorrt as trt
# 1. 检查版本（应输出 10.13.3.9）
print("TensorRT 版本：", trt.__version__)
# 2. 验证 CUDA 可用性（无报错则正常）
logger = trt.Logger(trt.Logger.WARNING)
builder = trt.Builder(logger)
print("Builder 创建成功，CUDA 环境正常！")
若输出如图20所示，说明 Python 接口安装成功。
图20：Python 接口验证成功
2. 验证 C++ 库（含 trtexec 工具）
trtexec 是 TensorRT 自带的命令行工具，可快速验证 C++ 库是否生效，同时支持模型引擎构建、性能测试等功能。结合你的实际执行结果，需重点澄清 “FAILED 提示的本质”—— 它并非安装失败，而是工具在无模型时的默认反馈，以下补充最基础的 --version 验证命令，并梳理完整验证流程：
（1）最基础验证：用 --version 确认版本读取正常
这是最简单的验证命令，直接检查 trtexec 是否能识别 TensorRT 版本：
-
执行命令：在激活虚拟环境的 CMD 中，输入
trtexec.exe的完整路径（示例的安装目录为C:\TensorRT-10.13.3.9）：验证命令之一
C:\TensorRT-10.13.3.9\bin\trtexec.exe --version -
预期输出与解读：
- 成功标志：开头必然显示
&&&& RUNNING TensorRT.trtexec [TensorRT v101303] [b9]，其中v101303对应你安装的 TensorRT 10.13.3.9 版本，说明trtexec已成功加载 TensorRT 核心库，能正常读取版本信息； - 无需关注的 “FAILED”：末尾会出现
[E] Model missing or format not recognized和&&&& FAILED，这是工具的固有逻辑 —— 即使仅输入--version，它仍会默认检查 “是否有模型需要处理”，因无模型可处理而标记 “流程失败”，但核心的 “版本验证” 已完成，与安装是否成功无关。
示例输出（重点标注成功信息）：
图21：运行命令后的输出界面
图22：运行命令后的输出结束界面（应输出：[
TensorRT v101303]）
&&&& RUNNING TensorRT.trtexec [TensorRT v101303] [b9] # C:\TensorRT-10.13.3.9\bin\trtexec.exe --version [09/13/2025-15:04:45] [I] TF32 is enabled by default... # 库加载正常的附加提示 ...（中间为工具帮助文档，无需关注）... [09/13/2025-15:04:45] [E] Model missing or format not recognized # 无模型的流程提示，非错误 &&&& FAILED TensorRT.trtexec [TensorRT v101303] [b9] - 成功标志：开头必然显示
（2）补充验证：用 --device 确认 GPU 联动正常
GPU 联动验证：--device=0 --skipInference --verbose 确认硬件关联
若想进一步确认 TensorRT 与 GPU、CUDA 13.0 的联动，可在 --version 基础上增加 --device=0（指定第 1 块 GPU），命令如下：
验证命令之二
C:\TensorRT-10.13.3.9\bin\trtexec.exe --version --device=0
或者以下命令：
这条命令用于验证 TensorRT 与 GPU、CUDA 的联动是否正常，适合在 --version 基础上进一步确认：
验证命令之三
C:\TensorRT-10.13.3.9\bin\trtexec.exe --device=0 --skipInference --verbose
-
参数作用：
--device=0：指定使用第 1 块 GPU（若只有 1 块，默认即为 0）；--skipInference：跳过推理流程（减少无模型时的冗余检查）；--verbose：输出详细日志，包括 GPU 信息。
- 成功标志：仍会先输出
TensorRT v101303版本信息，且无 “CUDA device not found”“GPU initialization failed” 等错误，说明 TensorRT 已能正常识别 GPU，底层依赖（CUDA、驱动）配置无误。
图23：运行 命令之二 后的输出结束界面（应输出：[TensorRT v101303]）
图24：运行 命令之三 后的输出结束界面（应输出：[TensorRT v101303]）
（3）功能验证：用 “模型处理” 彻底确认工具可用（进阶）
若有简单的 ONNX 模型（如 MNIST 手写数字识别模型 mnist.onnx），可通过 trtexec 构建推理引擎，这是验证工具完整功能的最直接方式：
- 准备模型：将
mnist.onnx保存到C:\models目录（无模型可从 ONNX Model Zoo 下载）； - 执行命令：
C:\TensorRT-10.13.3.9\bin\trtexec.exe --onnx=C:\models\mnist.onnx --saveEngine=C:\models\mnist.engine - 预期结果：
- 命令执行过程中无 “库缺失”“CUDA 错误” 等提示；
- 最终在
C:\models目录生成mnist.engine（TensorRT 推理引擎文件）； - 输出末尾显示
&&&& PASSED，示例如下：[09/13/2025-16:35:00] [I] Engine saved to C:\models\mnist.engine &&&& PASSED TensorRT.trtexec [TensorRT v101303] [b9]
- 解读：能成功处理模型并生成引擎，说明
trtexec工具功能完整，TensorRT C++ 库安装完全正常。
总结：trtexec 验证的核心判断标准
无需纠结末尾是否有 FAILED，只要满足以下任一条件，即说明 TensorRT C++ 库安装成功：
- 执行
C:\TensorRT-10.13.3.9\bin\trtexec.exe --version能输出TensorRT v101303版本信息； - 执行
--version --device=0无 GPU 相关错误； - 能通过
trtexec处理 ONNX 模型并生成*.engine文件，且末尾显示&&&& PASSED。
当执行前 三 条带 --version 的命令无其他报错输出，或只执行其中 1 条，都基本足以证明 C++ 库加载正常，后续可放心基于 TensorRT 开发～
3. 运行 C++ 示例程序（进阶验证）
验证windows安装tensorrt - 知乎
# 示例程序所在目录
C
:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST
通过 TensorRT 自带的 sampleOnnxMNIST 示例，验证 C++ 开发环境：
-
进入示例目录：C
:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST，找到sampleOnnxMNIST.sln（Visual Studio 解决方案文件），用 Visual Studio 2022 打开（如图25）。
图25：打开示例程序解决方案（Visual Studio）
图26：点击“打开本地文件夹”选项
图27：进入选择窗口，选择目录 C:\
TensorRT-10.13.3.9
图28：Visual Studio 检测到 CMakeLists.txt 询问是否启用 CMake 支持弹窗（可选启用 CMake 集成）
-
导航到可编译文件：在 Visual Studio 右侧文件夹视图选择“sample_onnx_mnist.sln”（如图29），右键点击 → 选择“重新生成”。
图29：Visual Studio 中 TensorRT-10.13.3.9 目录结构（含示例项目）
图30：选择“sample_onnx_mnist.sln”，右键点击 → 选择“重新生成”。
图31：在 Visual Studio 左下角窗口查看生成进度。
图32：生成进度：重新生成：1成功，0失败，0更新，0跳过。
-
运行示例：编译成功后，进入输出目录（如 C
:\TensorRT-10.13.3.9\samples\sampleOnnxMNIST\x64\Release），双击sampleOnnxMNIST.exe，若输出“&&& PASSED”（如图33），说明 C++ 环境完全正常。
图33：进入目录运行示例程序
图34：示例程序运行成功
六、常见问题解决（实操避坑）
| 问题现象 | 原因分析 | 解决方法 |
|---|---|---|
运行 trtexec 提示“找不到文件” | 环境变量 PATH 未配置，或配置后未重启 CMD | 1. 重新检查 PATH 中是否有 C:\TensorRT-10.13.3.9\lib；2. 关闭所有 CMD，重新打开 IDE 重试 |
| Python 导入 tensorrt 提示“DLL 缺失” | Python 版本与 wheel 包不匹配 | 确认 wheel 包后缀（如 cp310 对应 Python 3.10），重新下载安装匹配版本 |
| 示例程序编译报错“无法打开 include 文件” | Visual Studio 未配置 TensorRT 路径 | 参考本文“附录：Visual Studio 手动配置”，添加 include 和 lib 路径 |
附录：FaceFusion 配置 TensorRT 加速
本附录聚焦 FaceFusion 跨 CUDA 版本启用 TensorRT 加速的核心配置（含路径配置、环境变量设置），确保 TensorRT 库能被正确识别并稳定生效，适配项目推理加速需求。
（一）核心配置：TensorRT 路径与环境变量（确保加速生效）
FaceFusion 需明确 TensorRT 核心库的路径才能加载其执行器（系统 CUDA13.0，虚拟环境 CUDA 12.8），跨版本配置避免出现「找不到 TensorRT DLL 文件」等错误。
以下提供两种配置方式，可根据使用习惯任选其一。
1. 方式 1：通过 FaceFusion 项目配置文件（facefusion.ini）设置
适用于希望配置跟随项目目录，换环境后无需重新调整路径的场景（推荐团队协作或多环境切换时使用）。
步骤 1：确认 TensorRT 库文件路径
若通过虚拟环境的 .whl 包安装 TensorRT（如 pip install tensorrt-10.0.0-cp312-none-win_amd64.whl），核心库文件默认存储在虚拟环境的 site-packages 目录下，常见路径有两种（取决于 TensorRT 版本命名）：
- 路径 1（主流版本）：
F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib - 路径 2（部分版本命名差异）：
F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt_cu12_libs\lib
验证路径有效性：打开上述路径，确认存在 nvinfer.dll、nvinfer_plugin.dll、nvonnxparser.dll 这三个 TensorRT 核心库文件（缺一不可）。
步骤 2：修改 / 新建 facefusion.ini
- 在 FaceFusion 项目根目录（
F:\PythonProjects\facefusion）找到facefusion.ini文件；若不存在，直接新建一个文本文件并命名为facefusion.ini。 - 在文件末尾添加以下配置，将
TENSORRT_PATH替换为你实际的 TensorRT 库路径：ini
[path] # TensorRT 核心库路径（支持相对路径，基于项目根目录；也可写绝对路径，更稳妥） TENSORRT_PATH = .venv\Lib\site-packages\tensorrt_cu12_libs\lib- 示例（绝对路径写法）：
TENSORRT_PATH = F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib - 示例（相对路径写法）：
TENSORRT_PATH = .venv\Lib\site-packages\tensorrt\lib
- 示例（绝对路径写法）：
配置作用
该配置会直接告诉 FaceFusion 「去哪里加载 TensorRT 库」，无需依赖系统全局环境变量，避免因路径未暴露导致的加载失败。
图35：配置 facefusion.ini 文件
2. 方式 2：通过虚拟环境激活脚本设置（全局生效，推荐单人使用）
适用于个人开发场景，激活虚拟环境后自动配置 TensorRT 路径，无需每次修改项目配置文件。
原理
虚拟环境的 activate 脚本（activate.bat 或 activate.ps1）会在激活环境时自动执行。在脚本中添加 TensorRT 路径到系统 PATH，可确保每次激活环境后，系统都能找到 TensorRT 核心库。
（1）CMD 终端：编辑 activate.bat
- 导航到虚拟环境的
Scripts目录（存放激活脚本的位置）：cd F:\PythonProjects\facefusion\.venv\Scripts - 用记事本打开
activate.bat，在文件末尾添加以下内容（替换为你的 TensorRT 库路径）：:: -------------------------- TensorRT 环境配置 -------------------------- :: 将 TensorRT 核心库路径添加到系统 PATH，确保 FaceFusion 能加载库文件 set "PATH=F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;%PATH%" :: （可选）激活时打印提示，确认配置生效 echo [INFO] TensorRT 库路径已添加至系统 PATH：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib
（2）PowerShell 终端：编辑 activate.ps1
若习惯用 PowerShell 操作，需修改对应的激活脚本：
- 同样导航到虚拟环境
Scripts目录，用记事本打开activate.ps1。 - 在文件末尾添加以下内容：
# -------------------------- TensorRT 环境配置 -------------------------- # 定义 TensorRT 核心库路径 $tensorrtLibPath = "F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib" # 将路径添加到系统 PATH $env:PATH = "$tensorrtLibPath;$env:PATH" # （可选）绿色提示配置生效，便于确认 Write-Host "[INFO] TensorRT 库路径已添加至系统 PATH：$tensorrtLibPath" -ForegroundColor Green
验证配置是否生效
激活虚拟环境后，通过以下命令验证路径是否已添加：
- CMD 终端：执行
echo %PATH%，查看输出内容中是否包含你的 TensorRT 库路径； - PowerShell 终端：执行
$env:PATH -split ';' | Find-String "tensorrt"，若输出 TensorRT 路径，说明配置成功。
（二）临时环境变量设置（应急测试场景）
若仅需临时测试 TensorRT 加速（如切换不同版本的 TensorRT 验证兼容性），无需修改配置文件，可在激活虚拟环境后，直接在终端中设置临时路径（关闭终端后失效，不影响现有配置）。
1. CMD 终端临时设置
# 将 TensorRT 库路径临时添加到 PATH
set "PATH=F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;%PATH%"
# （可选）验证临时配置
echo [临时配置] TensorRT 路径已添加：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib
2. PowerShell 终端临时设置
# 临时添加 TensorRT 路径
$env:PATH = "F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib;$env:PATH"
# （可选）验证临时配置
Write-Host "[临时配置] TensorRT 路径已添加：F:\PythonProjects\facefusion\.venv\Lib\site-packages\tensorrt\lib" -ForegroundColor Cyan
（三）常见问题与排查方案
| 问题现象 | 可能原因 | 排查 / 解决步骤 |
|---|---|---|
| 启动 FaceFusion 提示「找不到 nvinfer.dll」 | TensorRT 路径配置错误，或路径中无核心库 | 1. 确认 TENSORRT_PATH 指向的目录存在 nvinfer.dll 等核心库；2. 若用方式 2，检查激活脚本中路径是否拼写正确。 |
| TensorRT 执行器未加载（日志无 TensorrtExecutionProvider） | 路径未生效，或 TensorRT 版本与 CUDA 不匹配 | 1. 重新激活虚拟环境（确保脚本配置生效）； 2. 确认 TensorRT 版本与 CUDA 匹配（如 CUDA 12.8 对应 TensorRT 10.0+）。 |
| 配置后仍提示「TensorRT 初始化失败」 | 库文件损坏或权限不足 | 1. 重新安装 TensorRT .whl 包（避免下载中断导致的文件损坏）；2. 以「管理员身份」启动终端，再激活虚拟环境。 |
（四）配置方式对比与推荐
| 配置方式 | 优点 | 缺点 | 推荐场景 |
|---|---|---|---|
| facefusion.ini 项目配置 | 跟随项目，多环境切换无需改路径 | 换项目需重新配置 | 团队协作、多项目开发 |
| 虚拟环境激活脚本配置 | 激活即生效，全局可用，无需改项目文件 | 换虚拟环境需重新配置 | 个人开发、单项目长期使用 |
| 终端临时设置 | 灵活，不影响现有配置 | 关闭终端失效，需重复设置 | 版本测试、临时验证 |
优先推荐：个人开发用「虚拟环境激活脚本配置」，一次配置永久生效；团队协作或多项目场景用「facefusion.ini 配置」，确保所有人路径统一。
通过以上配置，可确保 FaceFusion 正确加载 TensorRT 核心库，顺利启用推理加速，提升任务融合、帧增强等任务的处理速度。