init

README.md

+# 模型性能测试框架
+
+这是一个基于Python的模型性能测试框架，用于在AMD GPU上使用MIGraphX驱动测试各种深度学习模型的性能。该框架替代了原来的Shell脚本，使用YAML配置文件进行灵活配置。
+
+## 项目结构
+
+```
+benchmark/
+├── config/                          # 配置文件目录
+│   ├── base.yaml                    # 基础配置文件
+│   ├── ppocr-v5-rec.yaml           # PPOCR V5识别模型配置
+│   ├── yolov3.yaml                 # YOLOv3模型配置
+│   ├── inception.yaml              # Inception模型配置
+│   └── ...                         # 其他模型配置文件
+├── scripts/                         # 核心脚本目录
+│   ├── __init__.py                 # Python包文件
+│   ├── base_runner.py              # 基础运行器
+│   ├── model_runner.py             # 模型运行器
+│   └── monitor.py                  # 显存监控器
+├── all_test.py                      # 主测试脚本
+├── env.py                          # 环境配置
+├── requirements.txt                # Python依赖
+└── README.md                       # 本文件
+```
+
+## 文件说明
+
+### 1. 配置文件 (config/)
+
+#### base.yaml
+基础配置文件，包含：
+- **通用环境变量**：LD_LIBRARY_PATH等系统路径
+- **通用设置**：结果目录、设备ID、MIGraphX驱动路径、迭代次数等
+- **监控设置**：监控间隔、日志文件名
+- **要运行的模型列表**：指定需要测试的模型
+- **日志文件夹路径配置**: 输出的日志文件存放的文件夹路径设置
+
+#### 模型配置文件（如ppocr-v5-rec.yaml）
+每个模型对应的配置文件，包含：
+- **模型名称**：用于标识模型
+- **模型文件路径**：ONNX模型文件位置
+- **批次大小列表**：要测试的batch大小
+- **输入配置**：输入节点名称和维度
+- **环境变量**：模型特定的环境变量
+- **额外参数**：传递给MIGraphX驱动的额外参数
+
+### 2. 核心脚本 (scripts/)
+
+#### monitor.py - 显存监控器
+负责监控GPU显存使用情况：
+- **MemoryMonitor类**：管理显存监控线程
+- **功能**：
+  - 获取总显存
+  - 实时监控显存使用率
+  - 记录使用数据到日志文件
+  - 计算最大使用量和峰值使用率
+
+#### base_runner.py - 基础运行器
+包含通用的模型运行逻辑：
+- **BaseRunner类**：所有模型运行器的基类
+- **功能**：
+  - 构建MIGraphX命令
+  - 执行性能测试命令
+  - 处理标准输出和错误
+
+#### model_runner.py - 模型运行器
+实现具体的模型测试逻辑：
+- **ModelRunner类**：继承BaseRunner
+- **功能**：
+  - 加载模型配置文件
+  - 支持单模型文件多批次测试
+  - 支持多模型文件（如YOLOv3不同批次有不同文件）
+  - 集成显存监控
+  - 生成测试结果和统计信息
+
+### 3. 主程序文件
+
+#### env.py - 环境配置
+- **Environment类**：管理测试环境
+- **功能**：
+  - 设置环境变量
+  - 创建结果目录
+  - 管理设备可见性
+
+#### all_test.py - 主测试脚本
+- 程序入口点
+- 加载配置文件
+- 初始化环境和运行器
+- 执行所有模型的测试
+
+## 安装与使用
+
+### 环境要求
+- Python 3.7+
+- ROCm环境
+- MIGraphX驱动
+
+### 安装步骤
+
+1. **克隆或创建项目结构**
+```bash
+mkdir -p benchmark/{config,scripts}
+```
+
+2. **安装Python依赖**
+```bash
+# 或手动安装
+pip install pyyaml
+```
+
+3. **准备配置文件**
+将示例配置文件放入`config/`目录，并根据实际情况修改：
+- 修改`base.yaml`中的路径和设备ID
+- 为每个模型创建对应的配置文件
+
+### 运行测试
+
+1. **运行所有模型**
+```bash
+python all_test.py
+```
+
+2. **运行特定模型**
+```bash
+# 可以直接修改all_test.py中的models_to_run列表
+# 或使用命令行参数（需要稍作修改支持）
+```
+
+### 配置示例
+
+#### 单个模型文件配置（如PPOCR）
+```yaml
+# config/ppocr-v5-rec.yaml
+model:
+  name: "ppocr-v5-rec"
+  model_file: "/path/to/ppocr-v5-rec_model.onnx"
+  batch_sizes: [1, 8]  # 测试批次大小
+  inputs:
+    - name: "x"        # 输入节点名称
+      shape: [3, 48, 320]  # 输入维度（批次大小会自动插入）
+  env_vars:
+    MIGRAPHX_ENABLE_NHWC: 1  # 模型特定环境变量
+```
+
+#### 多个模型文件配置（如YOLOv3）
+```yaml
+# config/yolov3.yaml
+model:
+  name: "yolov3"
+  model_files:          # 多个模型文件
+    - path: "../models/yolov3/yolov3.onnx"
+      batch: 1
+    - path: "../models/yolov3/yolov3_b8.onnx"
+      batch: 8
+  inputs:
+    - name: "input"
+      shape: [3, 416, 416]
+  env_vars:
+    MIGRAPHX_ENABLE_NHWC: 1
+```
+
+## 输出结果
+
+测试结果保存在`result_dir`指定的目录中（默认为`../result-v1`），每个测试生成的文件包括：
+
+1. **性能日志文件**：`{模型名}-{批次大小}batch.log`
+   - MIGraphX驱动的输出
+   - 性能统计信息
+   - 显存使用统计
+
+2. **显存监控日志**：`memory_simple.log`
+   - 实时显存使用记录
+
+## 添加新模型
+
+要添加新模型测试，只需以下步骤：
+
+1. **创建配置文件**
+在`config/`目录下创建`{模型名}.yaml`文件
+
+2. **配置模型参数**
+参考现有配置文件设置：
+- 模型文件路径
+- 测试批次大小
+- 输入节点配置
+
+3. **添加到运行列表**
+在`base.yaml`的`models_to_run`中添加模型名称
+
+## 注意事项
+
+1. **环境要求**：
+   - 确保ROCm和MIGraphX已正确安装
+   - 确认模型文件路径正确
+   - 检查GPU设备ID是否可用
+
+2. **权限要求**：
+   - 需要访问GPU的权限
+   - 需要有模型文件的读取权限
+
+3. **监控功能**：
+   - 监控依赖于`hy-smi`命令
+   - 确保监控间隔设置合理（默认1秒）
+
+4. **错误处理**：
+   - 模型文件不存在时会跳过测试
+   - 命令执行失败会记录错误信息
+   - 监控异常不会中断主测试
+
+## 从Shell脚本迁移
+
+### 主要改进
+
+1. **配置管理**：从Shell变量改为YAML文件
+2. **代码复用**：统一命令构建逻辑
+3. **错误处理**：更好的异常捕获和处理
+4. **线程安全**：独立的监控线程
+5. **类型安全**：Python类型提示
+
+### 对应关系
+
+| Shell脚本部分 | Python对应部分 |
+|--------------|---------------|
+| env.sh配置 | config/base.yaml + env.py |
+| 模型特定配置 | config/{模型名}.yaml |
+| 监控脚本 | scripts/monitor.py |
+| migraphx-driver调用 | base_runner.py中build_command方法 |
+| 循环测试批次 | model_runner.py中run方法 |
+
+## 故障排除
+
+### 常见问题
+
+1. **找不到模型文件**
+   - 检查配置文件中的路径
+   - 确认文件是否存在且可读
+
+2. **监控失败**
+   - 检查`hy-smi`命令是否可用
+   - 确认设备ID正确
+
+3. **权限问题**
+   - 确保有运行MIGraphX驱动的权限
+   - 检查结果目录的写入权限
+
+### 调试方法
+
+1. **增加日志输出**
+   修改配置文件或代码中的日志级别
+
+2. **单独运行命令**
+   手动运行生成的MIGraphX命令进行调试
+
+3. **检查环境变量**
+   使用`printenv`确认环境变量已正确设置
+
+## 扩展功能
+
+框架支持以下扩展：
+
+1. **自定义监控指标**：扩展Monitor类添加更多监控项
+2. **性能数据解析**：添加结果解析和汇总功能
+3. **自动化报告**：生成HTML或PDF测试报告
+4. **批量测试**：支持跨多个设备的并行测试
+
+---
+
+如有问题或建议，请参考代码注释或创建Issue。
\ No newline at end of file

all_test.py

+# all_test.py
+#!/usr/bin/env python3
+import yaml
+import os
+import sys
+
+# 添加当前目录到Python路径
+sys.path.append(os.path.dirname(os.path.abspath(__file__)))
+
+from env import Environment
+from scripts.model_runner import ModelRunner
+
+def load_config():
+    """加载配置文件"""
+    config_file = "config/base.yaml"
+    
+    if not os.path.exists(config_file):
+        print(f"错误: 配置文件不存在: {config_file}")
+        sys.exit(1)
+    
+    with open(config_file, 'r') as f:
+        return yaml.safe_load(f)
+
+def main():
+    """主函数"""
+    
+    print("开始运行模型性能测试...")
+    
+    # 加载配置
+    config = load_config()
+    
+    # 初始化环境
+    env = Environment(config)
+    
+    # 初始化模型运行器
+    runner = ModelRunner(config, env)
+    
+    # 运行所有模型
+    runner.run_all_models()
+
+if __name__ == "__main__":
+    main()
\ No newline at end of file

ana/README.MD

+# 日志解析工具
+
+这是一个用于解析模型性能测试日志文件的Python脚本，能够从ONNX模型性能测试日志中提取关键信息并汇总到CSV文件中。
+
+## 功能特性
+
+- 自动解析日志文件中的关键信息：
+  - 模型名称 (model_name)
+  - 批处理大小 (batch_size)
+  - 输入形状 (input_shape)
+  - 推理速率 (FPS)
+  - 最大内存使用量 (MaxMemoryUsageMiB)
+  - HCU使用率 (HCU%)
+- 支持批量处理日志文件
+- 自动检测并跳过重复记录
+- 将结果保存到CSV文件以便后续分析
+- 提供详细的过程输出和结果预览
+
+## 安装要求
+
+- Python 3.x
+- 无需额外依赖包（仅使用Python标准库）
+
+## 使用方法
+
+### 基本用法
+
+```bash
+# 删除之前保存的csv
+# 解析当前目录下所有.log文件，输出到result.csv
+python parse_logs.py
+
+# 解析特定模式的日志文件
+python parse_logs.py "*.log"
+
+# 指定输入文件模式和输出CSV文件名
+python parse_logs.py "test_*.log" "output.csv"
+```
+
+### 参数说明
+
+1. **log_pattern** (可选，默认: `"*.log"`):
+   - 用于匹配日志文件的通配符模式
+   - 示例: `"resnet*.log"`, `"test_*.txt"`
+
+2. **csv_file** (可选，默认: `"result.csv"`):
+   - 输出CSV文件的路径
+   - 如果文件已存在，新记录将被追加到文件末尾
+
+### 命令行示例
+
+```bash
+# 示例1：解析特定模型的日志文件
+python parse_logs.py "./result/*.log" "results.csv"
+
+# 示例2：解析不同格式的日志文件
+python parse_logs.py "performance_*.txt" "summary.csv"
+```
+
+## 输出格式
+
+脚本将生成一个CSV文件，包含以下列：
+
+| 列名 | 描述 | 示例 |
+|------|------|------|
+| model_name | 模型名称 | resnet50 |
+| batch_size | 批处理大小 | 4 |
+| input_shape | 输入形状 | 1 3 224 224 |
+| FPS | 每秒推理次数 | x |
+| MaxMemoryUsageMiB | 最大内存使用量(MiB) | x |
+| HCU% | HCU峰值使用率 | x |
+
+
+
+## 注意事项
+
+1. **重复记录检测**: 脚本会自动检测并跳过CSV文件中已存在的相同模型、相同batch size和相同输入形状的记录
+
+2. **排序**: 结果会按模型名称（字母顺序）和batch size（数值大小）升序排序
+
+3. **错误处理**: 如果某个日志文件解析失败，脚本会继续处理其他文件并显示错误信息
+
+4. **编码**: 脚本使用UTF-8编码读取和写入文件，确保支持中文等非ASCII字符
+
+## 故障排除
+
+### 常见问题
+
+1. **"没有找到匹配的日志文件"**
+   - 检查当前目录是否正确
+   - 确认文件扩展名是否匹配（默认为`.log`）
+
+2. **"解析不完整"警告**
+   - 检查日志文件格式是否符合预期
+   - 确保日志包含所有必要的信息字段
+
+3. **编码错误**
+   - 如果日志文件使用其他编码，可能需要修改脚本中的编码设置

ana/parse_logs.py

+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+import re
+import os
+import glob
+import csv
+import sys
+from pathlib import Path
+from collections import defaultdict
+
+
+def parse_log_file(log_file_path):
+    """
+    解析单个日志文件，提取关键信息
+    
+    参数:
+        log_file_path: 日志文件路径
+        
+    返回:
+        字典包含解析结果，或None表示解析失败
+    """
+    try:
+        with open(log_file_path, 'r', encoding='utf-8') as f:
+            content = f.read()
+        
+        result = {
+            'model_name': None,
+            'batch_size': None,
+            'input_shape': None,
+            'FPS': None
+        }
+        
+        # 1. 提取模型名称：从日志命令中提取
+        # 查找 "perf resnet50.onnx" 这样的模式
+        model_match = re.search(r'[/\s]([a-zA-Z0-9_-]+)\.onnx', content)
+        if model_match:
+            result['model_name'] = model_match.group(1)
+        else:
+            # 如果没找到，尝试从文件名提取
+            filename = os.path.basename(log_file_path)
+            # 匹配类似 "resnet50-4batch.log" 的文件名
+            filename_match = re.search(r'([a-zA-Z0-9_-]+)-\d+batch\.log', filename)
+            if filename_match:
+                result['model_name'] = filename_match.group(1)
+        
+        # 2. 提取batch size：从"Batch size: 1"中提取
+        batch_match = re.search(r'Batch size:\s*(\d+)', content)
+        if batch_match:
+            result['batch_size'] = batch_match.group(1)
+        
+        # 3. 提取输入shape：从"--input-dim @input 1 3 224 224"中提取
+        input_match = re.search(r'--input-dim\s+(?:@)?[a-zA-Z0-9_\-\.]+\s+(\d+\s+\d+\s+\d+\s+\d+)', content)
+        if input_match:
+            result['input_shape'] = input_match.group(1)
+        
+        # 4. 提取总时间：从"Total time: 2.08637ms"中提取
+        # time_match = re.search(r'Total time:\s*([\d.]+)ms', content)
+        # if time_match:
+        #     result['total_time'] = time_match.group(1)
+
+        # 优先尝试提取 Rate 行中的数值
+        rate_match = re.search(r'Rate:\s*([\d.]+)\s*inferences/sec', content)
+        if rate_match:
+            result['FPS'] = rate_match.group(1)  # 注意：这里实际存的是速率，不是时间
+        else:
+            # 回退：从 Total time 提取（如果需要保留原逻辑）
+            rate_match = re.search(r'Total time:\s*([\d.]+)ms', content)
+            if rate_match:
+                result['FPS'] = rate_match.group(1)
+
+        # 优先尝试提取 Rate 行中的数值
+        # 尝试提取“最大使用: XXXX MiB”中的数值
+        memory_match = re.search(r'最大使用:\s*([\d.]+)\s*MiB', content)
+        if memory_match:
+            result['MaxMemoryUsageMiB'] = memory_match.group(1)
+        else:
+            result['MaxMemoryUsageMiB'] = "null"
+
+        # 优先尝试提取 Rate 行中的数值
+        peak_usage_match = re.search(r'峰值使用率:\s*([\d.]+)%', content)
+        if peak_usage_match:
+            result['HCU%'] = peak_usage_match.group(1)
+        else:
+            # 回退：从 Total time 提取（如果需要保留原逻辑）
+            peak_usage_match = re.search(r'峰值使用率:\s*([\d.]+)%', content)
+            if peak_usage_match:
+                result['HCU%'] = peak_usage_match.group(1)
+        
+        # 检查是否成功提取了所有必要信息
+        if all(result.values()):
+            return result
+        else:
+            print(f"警告: 文件 {log_file_path} 解析不完整:")
+            print(f"  模型名: {result['model_name']}")
+            print(f"  Batch: {result['batch_size']}")
+            print(f"  输入shape: {result['input_shape']}")
+            print(f"  FPS: {result['FPS']}")
+            print(f"  MaxMemoryUsageMiB: {result['MaxMemoryUsageMiB']}")
+            print(f"  HCU%: {result['HCU%']}")
+            return None
+            
+    except Exception as e:
+        print(f"错误: 读取或解析文件 {log_file_path} 时出错: {e}")
+        return None
+
+def main():
+    """主函数"""
+    # 解析命令行参数
+    if len(sys.argv) > 1:
+        log_pattern = sys.argv[1]
+    else:
+        log_pattern = "*.log"  # 默认匹配所有log文件
+    
+    if len(sys.argv) > 2:
+        csv_file = sys.argv[2]
+    else:
+        csv_file = "result.csv"  # 默认输出文件名
+    
+    print(f"开始解析日志文件，模式: {log_pattern}")
+    print(f"输出到: {csv_file}")
+    print("=" * 50)
+    
+    # 获取所有匹配的日志文件
+    log_files = glob.glob(log_pattern)
+    
+    if not log_files:
+        print(f"错误: 没有找到匹配 '{log_pattern}' 的日志文件")
+        return
+    
+    print(f"找到 {len(log_files)} 个日志文件")
+    
+    # 检查CSV文件是否存在，决定是否需要写表头
+    write_header = not os.path.exists(csv_file)
+    
+    # 解析所有日志文件
+    results = []
+    for log_file in sorted(log_files):
+        print(f"正在解析: {log_file}")
+        result = parse_log_file(log_file)
+        if result:
+            results.append(result)
+            print(f"  ✓ 成功解析: {result['model_name']} (batch={result['batch_size']})")
+    
+    if not results:
+        print("错误: 没有成功解析任何日志文件")
+        return
+    
+    # 写入CSV文件
+    try:
+        with open(csv_file, 'a', newline='', encoding='utf-8') as f:
+            writer = csv.DictWriter(f, fieldnames=['model_name', 'batch_size', 'input_shape', 'FPS', "MaxMemoryUsageMiB", "HCU%"])
+            
+            if write_header:
+                writer.writeheader()
+                print(f"创建新的CSV文件: {csv_file}")
+            
+            # 写入数据，检查是否已存在相同的记录
+            existing_data = []
+            if os.path.exists(csv_file) and os.path.getsize(csv_file) > 0:
+                with open(csv_file, 'r', encoding='utf-8') as existing_f:
+                    existing_reader = csv.DictReader(existing_f)
+                    existing_data = list(existing_reader)
+
+            # 对结果按 model_name 字符串升序，batch_size 数值升序排序
+            results.sort(key=lambda x: (x['model_name'], int(x['batch_size'])), reverse=False)
+            
+            new_count = 0
+            for result in results:
+                # 检查是否已存在相同模型、相同batch、相同输入的记录
+                is_duplicate = False
+                for existing in existing_data:
+                    if (existing.get('model_name') == result['model_name'] and
+                        existing.get('batch_size') == result['batch_size'] and
+                        existing.get('input_shape') == result['input_shape']):
+                        is_duplicate = True
+                        print(f"  ⚠ 跳过重复记录: {result['model_name']}, batch={result['batch_size']}")
+                        break
+                
+                if not is_duplicate:
+                    writer.writerow({
+                        'model_name': result['model_name'],
+                        'batch_size': result['batch_size'],
+                        'input_shape': result['input_shape'],
+                        'FPS': result['FPS'],
+                        'MaxMemoryUsageMiB': result['MaxMemoryUsageMiB'],
+                        'HCU%': result['HCU%']
+                    })
+                    new_count += 1
+
+        print(f"\n" + "=" * 50)
+        print("解析完成!")
+        print(f"处理日志文件数: {len(log_files)}")
+        print(f"成功解析文件数: {len(results)}")
+        print(f"新增记录数: {new_count}")
+        print(f"CSV文件: {csv_file}")
+        
+        # 显示CSV文件内容预览
+        print("\nCSV内容预览:")
+        print("-" * 50)
+        try:
+            with open(csv_file, 'r', encoding='utf-8') as f:
+                lines = f.readlines()
+                for i, line in enumerate(lines[:20]):  # 显示前20行
+                    print(line.rstrip())
+                if len(lines) > 20:
+                    print(f"... (共 {len(lines)} 行)")
+        except Exception as e:
+            print(f"读取CSV文件时出错: {e}")
+        
+    except Exception as e:
+        print(f"错误: 写入CSV文件时出错: {e}")
+
+if __name__ == "__main__":
+    main()
\ No newline at end of file

ana/result.csv

+model_name,batch_size,input_shape,FPS,MaxMemoryUsageMiB,HCU%
+inception-v3,1,1 3 299 299,,,
+inception-v3_b16,16,16 3 299 299,,,
+inception-v3_b4,4,4 3 299 299,,,
+inception-v3_b8,8,8 3 299 299,,,
+ppocr-v5-det_model,8,8 3 640 640,,,
+ppocr-v5-det_model-new-1x3x640x640,1,1 3 640 640,,,
+ppocr-v5-rec_model,1,1 3 48 320,,,
+ppocr-v5-rec_model,8,8 3 48 320,,,
+yolov3,1,1 3 416 416,,,
+yolov3_b16,16,16 3 416 416,,,
+yolov3_b4,4,4 3 416 416,,,
+yolov3_b8,8,8 3 416 416,,,
+yolov8n,1,1 3 640 640,,,
+yolov8n,8,8 3 640 640,,,
+resnet50,1,1 3 224 224,,,
+resnet50,8,8 3 224 224,,,

config/base.yaml

+# config/base.yaml
+base:
+  # 通用环境变量
+  env_vars:
+    LD_LIBRARY_PATH: "/data/wkx/benchmark/env-0204/rocblas-install/lib:$LD_LIBRARY_PATH"
+  
+  # 通用设置
+  common:
+    result_dir: "./result"
+    device_id: 3
+    migraphx_driver: "/opt/dtk/bin/migraphx-driver"
+    fp16: true
+    iterations: 100
+    
+  # 监控设置
+  monitor:
+    log_file: "memory_simple.log"
+    interval: 1  # 秒
+    
+  # 要运行的模型列表
+  models_to_run:
+    # - ppocr-v5-rec
+    # - yolov3
+    # - ppocr-v5-det
+    # - yolov8n
+    # - eva-2
+    - resnet50
+    # - swin-B
+    # - vit-L
+    # - inception-v3
\ No newline at end of file

config/eva-2.yaml

+# config/yolov3.yaml
+model:
+  name: "yolov3"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "../models/eva/eva02_large_224_1x3x224x224-opt.onnx"
+      batch: 1
+    - path: "../models/eva/eva02_large_224_8x3x224x224-opt.onnx"
+      batch: 8
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input.1"
+      shape: [3, 224, 224]
+  
+  # 环境变量
+  env_vars:
+    MIGRAPHX_ENABLE_LAYERNORM_FUSION: 1
+    MIGRAPHX_ENABLE_MHA_BHSD: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/inception-v3.yaml

+# config/inception-v3.yaml
+model:
+  name: "inception-v3"
+  
+  # 模型文件路径
+  # model_file: "/data/wkx/benchmark/models/ppocr-v5-rec_model.onnx"
+  
+  model_files: 
+    - path: "../models/inception/inception-v3.onnx"
+      batch: 1
+    # - path: "../models/inception/inception-v3_b4.onnx"
+    #   batch: 4
+    - path: "../models/inception/inception-v3_b8.onnx"
+      batch: 8
+    # - path: "../models/inception/inception-v3_b16.onnx"
+    #   batch: 16
+
+
+  # 测试的batch大小
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input"
+      shape: [3, 299, 299]  # BATCH会在运行时插入到第一个位置
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/ppocr-v5-det.yaml

+# config/ppocr-v5-det.yaml
+model:
+  name: "ppocr-v5-det"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "/data/wkx/models/ppocr-v5-det_model-new-1x3x640x640.onnx"
+      batch: 1
+    # - path: "../models/yolov3/yolov3_b4.onnx"
+    #   batch: 4
+    - path: "/data/wkx/benchmark/models/ppocr-v5-det_model.onnx"
+      batch: 8
+    # - path: "../models/yolov3/yolov3_b16.onnx"
+    #   batch: 16
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "x"
+      shape: [3, 640, 640]
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/ppocr-v5-rec.yaml

+# config/ppocr-v5-rec.yaml
+model:
+  name: "ppocr-v5-rec"
+  
+  # 模型文件路径
+  model_file: "/data/wkx/benchmark/models/ppocr-v5-rec_model.onnx"
+  
+  # 测试的batch大小
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "x"
+      shape: [3, 48, 320]  # BATCH会在运行时插入到第一个位置
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/resnet50.yaml

+# config/resnet50.yaml
+model:
+  name: "resnet50"
+  
+  # 多个模型文件（对应不同batch size）
+  model_file: ../models/resnet50.onnx
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input"
+      shape: [3, 224, 224]
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/swin-B.yaml

+# config/yolov3.yaml
+model:
+  name: "yolov3"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "../models/yolov3/yolov3.onnx"
+      batch: 1
+    - path: "../models/yolov3/yolov3_b4.onnx"
+      batch: 4
+    - path: "../models/yolov3/yolov3_b8.onnx"
+      batch: 8
+    - path: "../models/yolov3/yolov3_b16.onnx"
+      batch: 16
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input"
+      shape: [3, 416, 416]
+  
+  # 环境变量
+  env_vars:
+    MIGRAPHX_ENABLE_GEMM_SOFTMAX_GEMM_FUSE: 1
+    MIGRAPHX_ENABLE_LAYERNORM_FUSION: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/vit-L.yaml

+# config/yolov3.yaml
+model:
+  name: "yolov3"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "../models/yolov3/yolov3.onnx"
+      batch: 1
+    - path: "../models/yolov3/yolov3_b4.onnx"
+      batch: 4
+    - path: "../models/yolov3/yolov3_b8.onnx"
+      batch: 8
+    - path: "../models/yolov3/yolov3_b16.onnx"
+      batch: 16
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input"
+      shape: [3, 416, 416]
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/yolov3.yaml

+# config/yolov3.yaml
+model:
+  name: "yolov3"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "../models/yolov3/yolov3.onnx"
+      batch: 1
+    - path: "../models/yolov3/yolov3_b4.onnx"
+      batch: 4
+    - path: "../models/yolov3/yolov3_b8.onnx"
+      batch: 8
+    - path: "../models/yolov3/yolov3_b16.onnx"
+      batch: 16
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "input"
+      shape: [3, 416, 416]
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

config/yolov8n.yaml

+# config/yolov8n.yaml
+model:
+  name: "yolov8n"
+  
+  # 多个模型文件（对应不同batch size）
+  model_files:
+    - path: "/data/wkx/benchmark/models/yolov8/yolov8n.onnx"
+      batch: 1
+    # - path: "../models/yolov3/yolov3_b4.onnx"
+    #   batch: 4
+    - path: "/data/wkx/benchmark/models/yolov8/yolov8n.onnx"
+      batch: 8
+    # - path: "../models/yolov3/yolov3_b16.onnx"
+    #   batch: 16
+  
+  # 测试的batch大小（如果使用model_files，这里也可以指定）
+  batch_sizes: [1, 8]
+  
+  # 输入配置
+  inputs:
+    - name: "images"
+      shape: [3, 640, 640]
+  
+  # 环境变量
+  env_vars:
+    # MIGRAPHX_ENABLE_NHWC: 1
+    
+  # 额外参数
+  extra_args: []
\ No newline at end of file

env.py

+# env.py
+import os
+from typing import Dict, Any
+
+class Environment:
+    """管理环境变量和系统配置"""
+    
+    def __init__(self, config: Dict[str, Any]):
+        self.config = config
+        self.base_env = config.get('base', {})
+        self.device_id = self.base_env.get('common', {}).get('device_id', 3)
+        
+    def setup(self, model_env_vars: Dict[str, str] = None):
+        """设置环境变量"""
+        
+        # 设置基础环境变量
+        base_env_vars = self.base_env.get('env_vars', {})
+        for key, value in base_env_vars.items():
+            if key in os.environ:
+                # 如果环境变量已存在，追加
+                os.environ[key] = f"{value}:{os.environ[key]}"
+            else:
+                os.environ[key] = value
+        
+        # 设置模型特定的环境变量
+        if model_env_vars:
+            for key, value in model_env_vars.items():
+                os.environ[key] = str(value)
+        
+        # 设置设备可见性
+        os.environ['HIP_VISIBLE_DEVICES'] = str(self.device_id)
+        
+    def get_result_dir(self) -> str:
+        """获取结果目录"""
+        result_dir = self.base_env.get('common', {}).get('result_dir', '../result-v1')
+        
+        # 确保目录存在
+        if not os.path.exists(result_dir):
+            os.makedirs(result_dir)
+            print(f"创建目录: {result_dir}")
+            
+        return result_dir
\ No newline at end of file

memory_simple.log

+2026-02-06 11:03:53 2 0.0
+2026-02-06 11:03:54 2 0.0
+2026-02-06 11:03:55 2 0.0
+2026-02-06 11:03:56 2 0.0
+2026-02-06 11:03:57 2 0.0
+2026-02-06 11:03:58 2 0.0
+2026-02-06 11:03:59 2 0.0
+2026-02-06 11:04:00 2 0.0
+2026-02-06 11:04:01 2 0.0
+2026-02-06 11:04:02 2 0.0
+2026-02-06 11:04:03 2 0.0
+2026-02-06 11:04:04 2 0.0
+2026-02-06 11:04:05 2 0.0
+2026-02-06 11:04:06 2 0.0
+2026-02-06 11:04:07 2 0.0
+2026-02-06 11:04:08 2 0.0
+2026-02-06 11:04:09 2 0.0
+2026-02-06 11:04:10 2 0.0
+2026-02-06 11:04:11 2 0.0
+2026-02-06 11:04:12 2 0.0
+2026-02-06 11:04:13 2 0.0
+2026-02-06 11:04:14 2 0.0
+2026-02-06 11:04:15 2 0.0
+2026-02-06 11:04:16 2 0.0
+2026-02-06 11:04:17 2 0.0
+2026-02-06 11:04:18 279 0.0
+2026-02-06 11:04:19 279 0.0
+2026-02-06 11:04:20 279 0.0
+2026-02-06 11:04:22 279 0.0
+2026-02-06 11:04:23 279 0.0
+2026-02-06 11:04:24 279 0.0
+2026-02-06 11:04:25 281 0.0
+2026-02-06 11:04:26 281 0.0
+2026-02-06 11:04:27 281 0.0
+2026-02-06 11:04:28 540 95.8
+2026-02-06 11:04:29 540 0.0
+2026-02-06 11:04:30 199 0.0
+2026-02-06 11:04:31 199 0.0
+2026-02-06 11:04:32 199 0.0
+2026-02-06 11:04:33 145 0.0
+2026-02-06 11:04:34 145 0.0