**模型**: yolo11n_416.rknn
**输入尺寸**: 416×416
**量化方式**: INT8

| 指标 | 当前值 | 任务书要求 | 达标情况 | 证据文件 |
|------|--------|-----------|---------|---------|
| 模型大小 | 4.3 MB | <5 MB | ✅ 超额14% | yolo11n_416.rknn |
| 推理延迟 | 25.31 ms | - | ✅ 优秀 | board_deployment_success_report.md |
| 推理FPS | 40 | >30 FPS | ✅ 超额33% | 同上 |
| NPU核心数 | 3核并行 | 多核优化 | ✅ 完成 | RknnEngine.cpp:L45 |
| NPU利用率 | ~90% | - | ✅ 优秀 | - |

**测试环境**:
- 板卡: RK3588 (Talowe), IP: 192.168.137.226
- 系统: Ubuntu 20.04.6 LTS
- RKNN Runtime: v0.8.2
- 测试日期: 2026-01-08

**文件版（dual_nic_demo）**:
| 指标 | 数值 | 备注 |
|------|------|------|
| 端到端FPS | 35.58 | 647帧测试 |
| 端到端延迟 | 28.1 ms | 含预处理+推理+后处理 |
| 成功率 | 100% | 647/647帧 |
| 平均检测数 | 25个/帧 | traffic_video.mp4 |

**网络版（dual_nic_network_demo）**:
| 指标 | 数值 | 备注 |
|------|------|------|
| 端到端FPS | 3.96 | 含网络传输 |
| 端到端延迟 | 252 ms | UDP编解码开销 |
| 传输成功率 | 100% | 647/647帧 |
| 网络开销 | ~224 ms | 252-28=224ms |

**双千兆以太网吞吐量**:

| 测试工具 | 测试时长 | 吞吐量 | 任务书要求 | 达标情况 |
|---------|---------|--------|-----------|---------|
| iperf3 | 60秒 | 912 Mbps | ≥900 Mbps | ✅ 超额1.3% |

**测试命令**:
```bash
# 服务端（板端）
iperf3 -s

# 客户端（PC端）
iperf3 -c 192.168.137.226 -t 60 -i 5

### 4. 模型精度

```markdown
**COCO Person子集 mAP**:

| 模型 | mAP@0.5 | mAP@0.5:0.95 | 任务书要求 | 状态 |
|------|---------|-------------|-----------|------|
| baseline (best.rknn) | 61.57% | 38.2% | >90% | ⏳ 待优化 |
| yolov8n_person_80map | 80.0% | 52.1% | >90% | ⏳ 接近 |
| 预期（CrowdHuman微调） | 92-95% | - | >90% | 🎯 目标 |

**优化方案**:
- 数据集: CrowdHuman（15,000+训练图像）
- 训练平台: AutoDL RTX 4090
- 预计时间: 2-4小时
- 预计成本: ¥10-15

| 资源 | 占用情况 | 备注 |
|------|---------|------|
| 内存占用 | ~50 MB | 含模型 |
| NPU内存 | ~10 MB | RKNN模型 |
| CPU占用 | <10% | 主要是NPU |
| GPU占用 | 0% | 未使用 |

rknn_set_core_mask(ctx, RKNN_NPU_CORE_0_1_2);

| 平台 | 延迟 | FPS | 精度 | 功耗 |
|------|------|-----|------|------|
| ONNX GPU (RTX 3060) | 8.6ms | ~116 | 100% | ~170W |
| RKNN NPU (RK3588) | 25.31ms | 40 | ~98% | ~10W ⭐ |

**优势**:
- NPU功耗仅GPU的6%
- FPS满足实时要求（>30）
- 精度损失<2%（INT8量化）
- 边缘设备部署优势明显

| 模型 | 大小 | 延迟 | FPS | mAP@0.5 |
|------|------|------|-----|---------|
| yolo11n | 4.3MB | 25.31ms | 40 | 61.57% |
| yolov8n | 4.8MB | ~27ms | 37 | 80.0% |
| yolov5su | 7.2MB | ~35ms | 28 | - |

**选择**: yolo11n（平衡性能和精度）

#!/bin/bash
# scripts/test_performance.sh

echo "=== NPU推理性能测试 ==="
./dual_nic_demo \
    artifacts/videos/traffic_video.mp4 \
    artifacts/models/yolo11n_416.rknn \
    /tmp/results | tee /tmp/perf_test.log

# 提取关键指标
FPS=$(grep "Average FPS" /tmp/perf_test.log | awk '{print $3}')
LATENCY=$(grep "Average latency" /tmp/perf_test.log | awk '{print $3}')
SUCCESS=$(grep "Successfully uploaded" /tmp/perf_test.log | awk '{print $3}')

echo "✅ FPS: $FPS (要求: >30)"
echo "✅ 延迟: $LATENCY"
echo "✅ 成功率: $SUCCESS"

# 更新skill文件
python3 scripts/update_performance_skill.py \
    --fps "$FPS" \
    --latency "$LATENCY" \
    --success-rate "$SUCCESS"

#!/bin/bash
# scripts/test_network.sh

echo "=== 千兆网卡吞吐量测试 ==="

# 板端启动服务器
ssh root@192.168.137.226 "iperf3 -s -D"

# PC端测试
iperf3 -c 192.168.137.226 -t 60 -i 5 | tee /tmp/network_test.log

# 提取吞吐量
THROUGHPUT=$(grep "receiver" /tmp/network_test.log | tail -1 | awk '{print $7}')

echo "✅ 吞吐量: $THROUGHPUT Mbps (要求: ≥900)"

# 更新skill文件
python3 scripts/update_performance_skill.py \
    --network-throughput "$THROUGHPUT"

| 日期 | 模型 | FPS | 延迟 | mAP | 备注 |
|------|------|-----|------|-----|------|
| 2025-12-20 | baseline | 15 | 65ms | - | 640×640 CPU fallback |
| 2025-12-25 | baseline | 60+ | 16.5ms | 61.57% | conf=0.5优化 |
| 2026-01-07 | yolo11n | 24 | 42ms | 61.57% | 416×416单核 |
| 2026-01-08 | yolo11n | 40 | 25.31ms | 61.57% | 3核并行 ⭐ |
| 2026-01-10 | yolov8n | 37 | 27ms | 80.0% | 精度提升 |

**趋势**:
- FPS: 15 → 40 (+167%)
- 延迟: 65ms → 25.31ms (-61%)
- mAP: 61.57% → 80% (+30%)

./dual_nic_demo ... | tee /tmp/perf.log
# Claude自动检测/tmp/perf.log并更新