RDK_Docker_Tools

============================================================
   Docker 一键安装脚本 (Ubuntu 22.04 ARM64/x86_64)
============================================================

[INFO]  检查系统架构...
[OK]    架构: aarch64 (ARM64) ✓
[INFO]  检查运行权限...
[OK]    当前为 root 用户 ✓
[INFO]  检查 eth0 网络接口...
[OK]    eth0 状态: UP, IP: 10.112.10.98/24
[INFO]  注意: 本脚本不会修改 eth0 的任何配置
[INFO]  检查 Docker 是否已安装...
[INFO]  检查依赖命令...
...
[OK]    Docker 安装完毕 ✓
[INFO]  配置 Docker 镜像加速源...
[OK]    镜像加速配置完毕 ✓
[INFO]  启动 Docker 服务...
[OK]    Docker 服务已通过 systemd 启动 ✓
...
============================================================
[OK]    Docker 安装完成!
============================================================

测试

bash install_docker/test_docker.sh

预期输出

============================================================
   Docker 功能测试脚本
============================================================

[INFO]  检查 Docker 服务状态...
[OK]    Docker 服务正常 ✓

------------------------------------------------------------
[INFO]  [1/5] 测试 docker pull...
------------------------------------------------------------
[OK]    docker pull 成功 ✓

------------------------------------------------------------
[INFO]  [2/5] 测试 docker run...
------------------------------------------------------------
[OK]    docker run 成功 ✓

------------------------------------------------------------
[INFO]  [3/5] 测试 docker commit...
------------------------------------------------------------
[OK]    docker commit 成功 -> hello-world-committed:test ✓

------------------------------------------------------------
[INFO]  [4/5] 测试 docker export...
------------------------------------------------------------
[OK]    docker export 成功 ✓

------------------------------------------------------------
[INFO]  [5/5] 测试 docker save & load...
------------------------------------------------------------
[OK]    docker save 成功 ✓
[OK]    docker load 成功, 镜像已恢复 ✓

============================================================
[OK]    全部测试通过!
============================================================

BPU 模型性能测试工具

工具说明

基于 hrt_model_exec perf 命令，对指定的 .hbm 或 .bin 模型文件，分别在线程数 1、2、3、4 下进行性能测试，输出每个线程数对应的平均延迟和 FPS，并将结果保存为 JSON 文件。

硬件平台	BPU 架构	镜像名称
RDK S100 / RDK S100P	Nash-e / Nash-m	`hrt_perf_nashem:v3.7.3`
RDK X5 / RDK X5 Module	Bayes-e	`hrt_perf_bayese:v1.24.5`

目录结构

bpu_model_perf_images/
├── Dockerfile.nashem_perf          # RDK S100 (Nash-e/Nash-m) Dockerfile
├── Dockerfile.bayese_perf          # RDK X5 (Bayes-e) Dockerfile
├── docker_build_nashem.sh          # RDK S100 镜像构建脚本
├── docker_build_bayese.sh          # RDK X5 镜像构建脚本
├── docker_run_nashem_perf.sh       # RDK S100 自动化 perf 运行脚本
├── docker_run_bayese_perf.sh       # RDK X5 自动化 perf 运行脚本
├── docker_test_nashem.sh           # RDK S100 交互式进入容器脚本
├── docker_test_bayese.sh           # RDK X5 交互式进入容器脚本
├── workspace/
│   ├── perf.py                     # 性能测试主脚本（两平台共用）
│   └── entrypoint.sh               # 容器入口脚本（两平台共用）
├── example_fs/                     # RDK S100 示例输入输出
│   ├── input/
│   │   ├── task.json               # 输入协议文件
│   │   └── *.hbm                   # 模型文件（放在此处）
│   └── output/
│       └── result.json             # 运行后自动生成
└── example_fs_bayese/              # RDK X5 示例输入输出
    ├── input/
    │   ├── task.json               # 输入协议文件
    │   └── *.hbm / *.bin           # 模型文件（放在此处）
    └── output/
        └── result.json             # 运行后自动生成

预打包版本

# RDK X5 / RDK X5 module
docker pull ccr-29eug8s3-pub.cnc.bj.baidubce.com/public/hrt_perf_bayese:v1.24.5

# RDK S100 / RDK S100P
docker pull ccr-29eug8s3-pub.cnc.bj.baidubce.com/public/hrt_perf_nashem:v3.7.3

RDK S100 系列使用方法（Nash-e / Nash-m）

第一步：构建镜像（只需构建一次，之后可直接交付镜像）

cd bpu_model_perf_images
bash docker_build_nashem.sh

构建脚本会自动从板子上找到 hrt_model_exec（which hrt_model_exec）并打包进镜像，无需手动操作。

第二步：准备输入

将模型文件（.hbm）放入 example_fs/input/，并编辑 example_fs/input/task.json：

{
  "model_relative_path": "your_model.hbm",
  "frame_count": 200
}

第三步：运行

bash docker_run_nashem_perf.sh

运行脚本将 example_fs/input 挂载为容器内 /workspace/input，example_fs/output 挂载为 /workspace/output。

预期输出

============================================================
task.json content:
{
  "model_relative_path": "yolo11n_detect_nashe_640x640_nv12.hbm",
  "frame_count": 200
}
============================================================
[OK] 1 model(s) validated, frame_count=200

[Benchmarking] yolo11n_detect_nashe_640x640_nv12.hbm (/workspace/input/yolo11n_detect_nashe_640x640_nv12.hbm)
  thread_num=1 ... FPS=625.20  avg_latency=1.538ms
  thread_num=2 ... FPS=1133.43  avg_latency=1.703ms
  thread_num=3 ... FPS=1171.23  avg_latency=2.482ms
  thread_num=4 ... FPS=1167.98  avg_latency=3.322ms

================================================================================
+---------------------------------------+-----------+------------------+------------+
| Model                                 | Threads   | Avg Latency(ms)  | FPS        |
+---------------------------------------+-----------+------------------+------------+
| yolo11n_detect_nashe_640x640_nv12.hbm | 1         | 1.538            | 625.20     |
|                                       | 2         | 1.703            | 1133.43    |
|                                       | 3         | 2.482            | 1171.23    |
|                                       | 4         | 3.322            | 1167.98    |
+---------------------------------------+-----------+------------------+------------+

Results saved to: /workspace/output/result.json

RDK X5 系列使用方法（Bayes-e）

第一步：构建镜像

cd bpu_model_perf_images
bash docker_build_bayese.sh

第二步：准备输入

将模型文件（.hbm 或 .bin）放入 example_fs_bayese/input/，并编辑 example_fs_bayese/input/task.json：

{
  "model_relative_path": "your_model.hbm",
  "frame_count": 200
}

第三步：运行

bash docker_run_bayese_perf.sh

交互式进入容器

镜像内置了 hrt_model_exec 等 BPU 工具，可以交互式进入容器手动调试模型。

RDK S100（Nash-e / Nash-m）

cd bpu_model_perf_images
bash docker_test_nashem.sh

RDK X5（Bayes-e）

cd bpu_model_perf_images
bash docker_test_bayese.sh

进入容器后可直接使用 hrt_model_exec，例如：

# 查看帮助
hrt_model_exec --help

# 手动跑 perf
hrt_model_exec perf --model_file /workspace/input/xxx.hbm --thread_num 2 --frame_count 200

# 手动跑推理
hrt_model_exec infer --model_file /workspace/input/xxx.hbm --input_file input.jpg

容器以 --privileged 模式启动，宿主机的 /usr/hobot、/opt/hobot 等目录均已挂载，库文件与板子上完全一致。退出容器后自动删除（--rm）。

task.json 协议说明

支持两种格式：

单模型

字段	类型	必填	说明
`model_relative_path`	string	是	模型文件名，相对于 input 目录，后缀必须为 `.hbm` 或 `.bin`
`frame_count`	int	否	测试帧数，默认 200

{
  "model_relative_path": "model.hbm",
  "frame_count": 200
}

多模型

字段	类型	必填	说明
`models`	list	是	模型列表
`models[].path`	string	是	模型文件名，相对于 input 目录
`models[].name`	string	否	显示名称，默认取文件名
`frame_count`	int	否	测试帧数，默认 200

{
  "models": [
    {"name": "model_a", "path": "model_a.hbm"},
    {"name": "model_b", "path": "model_b.bin"}
  ],
  "frame_count": 200
}

注意：model_relative_path 和 models 不能同时出现。

输出结果说明

结果保存在 output/result.json，结构如下：

[
  {
    "model_name": "model.hbm",
    "model_path": "/workspace/input/model.hbm",
    "perf_results": [
      {
        "thread_num": 1,
        "frame_count": 200,
        "run_time_ms": 320.18,
        "total_latency_ms": 307.53,
        "avg_latency_ms": 1.538,
        "fps": 625.197,
        "raw_output": "...",
        "returncode": 0
      }
    ]
  }
]

CoreMark-PRO CPU 性能测试工具

工具说明

基于 CoreMark-PRO 标准 CPU 性能测试套件，对 ARM 处理器进行全面性能测试。测试包含 9 个典型工作负载，自动检测 CPU 核心数并在 1 到最大核心数之间进行多线程性能测试，最终输出 CoreMark-PRO 综合得分。

硬件平台	架构	镜像名称
所有 ARM 平台	ARMv8 / aarch64	`coremark_pro_rdk_arm:latest`

CoreMark-PRO 包含以下 9 个工作负载：

cjpeg-rose7-preset - JPEG 压缩
core - 增强版 CoreMark
linear_alg-mid-100x100-sp - 线性代数（单精度浮点）
loops-all-mid-10k-sp - Livermore Loops（单精度浮点）
nnet_test - 神经网络
parser-125k - XML 解析
radix2-big-64k - FFT（双精度浮点）
sha-test - SHA-256 哈希
zip-test - ZIP 压缩

目录结构

coremark_images/
├── Dockerfile                      # 镜像构建文件
├── docker_build.sh                 # 构建脚本
├── docker_run.sh                   # 运行脚本
├── docker_test.sh                  # 测试脚本
├── workspace/
│   ├── coremark_perf.py            # 性能测试主脚本
│   └── entrypoint.sh               # 容器入口脚本
├── coremark-pro/                   # CoreMark-PRO 源代码
│   └── builds/linux64/gcc64/bin/   # 预编译的二进制文件
└── example_fs/
    └── output/                     # 默认输出目录
        └── result.json             # 运行后自动生成

使用方法

第一步：构建镜像（只需构建一次）

cd coremark_images
bash docker_build.sh

第二步：运行

bash docker_run.sh

运行脚本将 example_fs/output 挂载为容器内 /workspace/output。

预期输出

==========================================
CoreMark-PRO CPU Performance Benchmark
==========================================

==========================================================================================
System Information
==========================================================================================
Hostname:        xxxxxxxx
Platform:        Linux-6.1.83-aarch64-with-glibc2.35
Architecture:    aarch64
CPU Model:       aarch64
CPU Count:       8 logical, 8 physical
CPU Frequency:   1800 MHz
Memory Total:    5768 MB
Memory Used:     48.2%
Timestamp:       2026-03-20 11:37:11
==========================================================================================

[Benchmark] Running CoreMark-PRO with thread counts: [1, 2, 3, 4, 5, 6, 7, 8]
[Benchmark] Total workloads: 9

--- Running with 1 thread(s) ---
  [1 threads] cjpeg-rose7-preset ... 59.88 iter/s
  [1 threads] core ... 0.46 iter/s
  [1 threads] linear_alg-mid-100x100-sp ... 24.74 iter/s
  ...

==========================================================================================
CoreMark-PRO Workload Results
==========================================================================================
Workload                       T=1         T=2         T=3         T=4     ...     Scaling
------------------------------------------------------------------------------------------
cjpeg-rose7-preset           59.88      117.65      169.49      232.56    ...        7.26
core                          0.46        0.91        1.37        1.82    ...        6.07
...
==========================================================================================

==========================================================================================
CoreMark-PRO Score Summary
==========================================================================================
Threads      CoreMark-PRO Score
------------------------------------------------------------------------------------------
1                       1390.51
2                       2684.16
...
8                       7027.42
------------------------------------------------------------------------------------------
Final CoreMark-PRO Score                    7027.42
==========================================================================================

[OK] Results saved to: /workspace/output/result.json
[OK] CoreMark-PRO Score: 7027.42

输出结果说明

结果保存在 example_fs/output/result.json，结构如下：

{
  "system_info": {
    "cpu": {
      "cpu_count": 8,
      "cpu_count_physical": 8,
      "cpu_freq_mhz": 1800.0,
      "cpu_model": "aarch64",
      "architecture": "aarch64"
    },
    "memory": {
      "total_mb": 5768,
      "available_mb": 2985,
      "percent_used": 48.2
    },
    "system": {
      "hostname": "rdk-board",
      "platform": "Linux-6.1.83-aarch64",
      "timestamp": "2026-03-20 11:37:11"
    }
  },
  "benchmark_config": {
    "workloads": ["cjpeg-rose7-preset", "core", ...],
    "thread_counts": [1, 2, 3, 4, 5, 6, 7, 8],
    "max_threads": 8
  },
  "results": [
    {
      "workload": "cjpeg-rose7-preset",
      "thread_num": 1,
      "iter_per_sec": 59.88,
      "returncode": 0,
      "elapsed_time_sec": 0.17
    }
  ],
  "coremark_pro_score": 7027.42
}

字段	说明
`system_info`	系统信息（CPU、内存、平台等）
`benchmark_config`	测试配置（workload 列表、线程数等）
`results`	每个 workload 在不同线程数下的性能数据
`coremark_pro_score`	最终 CoreMark-PRO 综合得分

README.md Unescape Escape

Docker 一键安装脚本

支持平台

安装

测试

BPU 模型性能测试工具

工具说明

目录结构

预打包版本

RDK S100 系列使用方法（Nash-e / Nash-m）

RDK X5 系列使用方法（Bayes-e）

交互式进入容器

task.json 协议说明

输出结果说明

CoreMark-PRO CPU 性能测试工具

工具说明

目录结构

使用方法

输出结果说明

README.md