BCDL — RDK BPU 视觉开发框架

English | 简体中文

几分钟做出一个 BPU 视觉应用。

统一的 C++ / Python API，覆盖取流 → 硬件编解码 → 预处理 → BPU 推理 → 后处理整条链路。 构建在官方运行时之上，不是取代它。

import bcdl, cv2

engine = bcdl.Engine("models/yolo26s_det_nashm_640x640_nv12.hbm")
pipe   = bcdl.AsyncDetectionPipeline(engine)       # 输入尺寸、解码头都从模型里读

pipe.submit(cv2.imread("data/images/bus.jpg"))     # HxWx3 uint8 BGR
pipe.finish()
for d in pipe.next():
    print(d.class_id, d.score, d.x1, d.y1, d.x2, d.y2)

conda install -c https://mirrors.ruis.ai/conda -c conda-forge bcdl

板上装完即可运行 —— 不用编译，不用碰一行 hbDNN / hbUCP 代码，不用自己写 NMS。

导航： 为什么用 · 与官方 SDK 的关系 · 架构 · 快速上手 · 示例 · 能力清单 · 模型 · 性能基准 · 文档 · 从源码构建 · 测试 · 社区交流

效果展示

板端基准套件输出的标注结果（在 RDK S100P 上跑真实模型）。可用 scripts/board_bench.py 复现；完整数据见 benchmarks/RESULTS.md。

分类（top-k）	检测（YOLO26 LTRB）	检测 — DFL 头（YOLOv8）

旋转框（OBB）	多目标跟踪（ByteTrack）	姿态（17 关键点）

实例分割	语义分割	单目深度

双目深度（LAS2）	OCR（PP-OCR 三段式）	硬件 JPEG 解码（JPU）

全身姿态（133 关键点）	稀疏特征点与匹配（XFeat）	超分 x4（SPAN）

为什么用 BCDL

拿到一块 RDK 板、拿到一个 .hbm，到屏幕上出框，中间隔着的是：设备内存怎么分配、缓存什么时候刷、任务句柄什么时候释放、输出张量怎么反量化、NMS / DFL / CTC 怎么写、解码器出来的 NV12 怎么不落 BGR 直接喂进去。BCDL 把这些一次性做完，并且做对。

✅ 一行安装 —— 预编译的 linux-aarch64 conda 包（Python 3.9–3.14），板上不需要编译工具链，装完就能 import bcdl。
✅ 统一的 API —— 18 类视觉任务共用同一套 Engine + 任务类心智模型；换任务不换写法，C++ 与 Python 接口对等。
✅ 不再手写内存与缓存 —— SysMem 生命周期、推理前 clean / 读取前 invalidate 由 Engine 负责。这是 BPU 上最高频的正确性 bug，表现为结果“看起来差不多但就是不对”。
✅ 后处理开箱即用 —— 分类别 NMS、DFL、旋转 IoU、CTC、proto × mask-coef…… 全部是可移植的 CPU/NEON 实现（从 CUDA kernel 重写而来），并有确定性测试钉死。
✅ 零拷贝流水线是默认行为 —— JPU 解码 → GDC 硬件 letterbox → BPU 推理 → VPU 编码，中间不经过 BGR、不经过 memcpy。压缩视频端到端 1080p 441 FPS。
✅ 踩过的坑写在代码里 —— YOLOP 的 anchor 解码编译不出来、人脸检测器的 padding 在左上角、嵌入模型要挤压式 resize 而不是 letterbox…… 这些都已经在库里处理好了，不用再花一周复现一遍（见能力清单）。
✅ 可验证、可复现 —— 97 个测试（其中 66 个不需要板子），板端基准一条命令复现，并且带“板子是否干净”的结果闸门。

与官方 SDK 的关系

BCDL 不替代官方 SDK，它构建在官方 SDK 之上：所有算力仍然来自 D-Robotics 的 hobot 运行时（hbDNN / hbUCP / 多媒体编解码）。区别只在抽象层次：

	官方 SDK（hbDNN / hbUCP / media codec）	BCDL
形态	底层运行时 + 示例程序	可复用的框架（库）
接口	以 C API 为主	C++17 RAII 类 + Python 绑定
设备内存	自己 malloc / free `hbUCPSysMem`，自己 clean / invalidate 缓存	`Engine` 自动处理
后处理	自己写（NMS / DFL / 旋转 IoU / CTC…）	18 类任务开箱即用
多媒体拼接	各单元各自的 API，自己搬 buffer	统一 `SysMem`，流水线零拷贝
语言	C / C++	C++ 与 Python 对等，NumPy 进出
上手	从示例复制，逐个模型改	`conda install` + 十行代码
组织方式	按模型给样例	按任务给统一接口

一句话：官方 SDK 让 BPU 能跑；BCDL 让你几分钟内把它变成一个应用。

架构

                    你的应用（C++ / Python）
                              ↓
   ┌──────────────────────────────────────────────────────┐
   │  BCDL                                                 │
   │  tasks · tracks · pipeline · media · preproc · backend │
   └──────────────────────────────────────────────────────┘
                              ↓
        D-Robotics hobot SDK（官方运行时，能力的来源）
        hbDNN · hbUCP · media codec · VPS/GDC · hb_vp
                              ↓
              BPU "Nash" · JPU · VPU · GDC

整个 S 系列的计算 + 多媒体栈统一在两个 hobot 原语之上，这是零拷贝能成为默认行为的原因：

hbUCPSysMem —— 唯一的共享内存缓冲（phyAddr + virAddr），被 BPU 张量、 JPU/VPU 编解码图像以及 VP 预处理单元共用。
hbUCPTaskHandle_t —— 唯一的任务/队列模型；BPU 推理、JPEG/H.264/H.265 编解码、resize/cvtColor 全部通过同一个 hbUCP 调度器提交与等待。

所以 JPU → VP/GDC → BPU → VPU 的零拷贝是默认行为，而非额外优化。 BCDL 是这套底层结构之上一层薄而 RAII 干净的 C++ 封装，外加可移植的后处理。

仓库分层：

python/    nanobind 绑定（NumPy <-> 张量），推理时释放 GIL
tasks/     det · cls · pose · seg · obb · semseg · depth · mono3d · ocr · open-vocab · sam · embed
           drive · face · wholebody · features · superres · depth-refine
tracks/    ByteTrack 多目标跟踪 · ReID 外观嵌入
pipeline/  同步 / 异步检测 · 跟踪 · 双目  (JPU -> VP -> BPU -> CPU/VPU)
media/     JpegCodec (JPU) · VideoCodec H.264/H.265 (VPU)
backend/   Engine、输出读取器             (libdnn  -> hbDNN*)
preproc/   CPU letterbox + BGR->NV12（OpenCV/OpenMP）；GDC 硬件 letterbox + 密集重映射 (VPS)；VP (hb_vp)
core/      SysMem · Task · Status · MemPool (libhbucp -> hbUCP*)

快速上手

1. 装（一分钟）

预编译的 linux-aarch64 包（Python 3.9–3.14）已发布到一个 conda 频道，所以在板上你可以完全跳过源码构建：

conda install -c https://mirrors.ruis.ai/conda -c conda-forge bcdl
python -c "import bcdl; print(bcdl.__version__)"

想要一个干净、可复现的环境？新建一个并锁定版本：

conda create -n bcdl -c https://mirrors.ruis.ai/conda -c conda-forge \
    python=3.12 bcdl
conda activate bcdl
# 或锁定精确构建：   conda install ... "bcdl=0.5.0"

为了避免每次都带 -c，可以把该频道加进环境（它必须排在 conda-forge 上面，这样 hobot-* 包才会从这里解析）：

conda config --env --add channels https://mirrors.ruis.ai/conda
conda config --env --add channels conda-forge

之后 conda install bcdl / conda update bcdl 就会直接从该频道解析。端到端验证安装（打印版本号以及加载到的原生扩展路径）：

python -c "import bcdl, bcdl_py; print('bcdl', bcdl.__version__); print(bcdl_py.__file__)"

这会把整个栈解析为四个包 —— Python 绑定、C++ 库，以及它们链接的、打包好的 D-Robotics hobot SDK：

包	内容
bcdl	`bcdl` / `bcdl_py` Python 绑定（每个 Python 3.9–3.14 各一份构建）
libbcdl	C++ 库 —— `libbcdl.so`、公共头文件，以及 `find_package(bcdl)` 的 CMake 配置
hobot-dnn	BPU/DNN 运行时 SDK（`libdnn`、`libhbucp`、`libhbvp`…）+ `hobot/` 头文件
hobot-media	多媒体/编解码线（`libffmedia`、`libgdcbin`、`libmultimedia`…）+ 多媒体开发头文件

如果只是 纯 C++ 的使用方，只装库即可，并用 find_package(bcdl) 来构建（它会一并拉入 libbcdl + hobot-dnn + hobot-media）：

conda install -c https://mirrors.ruis.ai/conda -c conda-forge libbcdl

打包的 hobot SDK 仍依赖板上的 设备平台库 （libbpu、libhbmem、libalog、libvdsp、libhbipcfhal），位于 /usr/hobot/lib —— 它们随 RDK 系统镜像一起提供，通过 ldconfig 解析，出于设计目的不随包重新分发。

2. 拿一个模型（一分钟）

BCDL 是通用运行时，能加载任意 .hbm。最快的三条路：

板上系统镜像自带的（/opt/hobot/model/s100/basic，如 YOLOv8 检测、DeepLabV3+）；
D-Robotics rdk_model_zoo 里预编译好的；
自己转：完整配方（导出、校准、hb_compile 配置、精度/延迟实测）在配套仓库 bcdl-model-zoo。

把 .hbm 放到 models/ 下即可（本仓的示例与测试只按 models/<name>.hbm 这个相对路径引用模型）。每个模型是什么、从哪来、该取哪个 build、许可证如何，见 docs/MODELS.md。

3. 跑（一分钟）

上面首屏那段 Python 就是完整程序。C++ 侧则是 examples/ 里的独立程序：

./build/det_demo    models/yolo26s_det_nashm_640x640_nv12.hbm data/images/bus.jpg
./build/ocr_demo    data/images/ocr.jpg          # PP-OCR det -> cls -> rec
./build/track_demo  models/yolo26s_det_nashm_640x640_nv12.hbm  # 检测 + ByteTrack
./build/video_det_demo  stream.h264 model.hbm    # VPU 解码 -> BPU 检测

示例

examples/ 下都是可独立运行的程序，按用途分：

视觉任务

示例	做什么
`det_demo.cc`	目标检测，出框并画图
`ocr_demo.cc`	三段式 OCR：检测 → 方向分类 → 识别
`depth_demo.cc`	单目深度
`stereo_demo.cc`	双目视差 / 深度
`depth_refine_demo.cc`	RGB-D 深度精修：补洞去噪 + 点云
`embed_demo.cc`	图像嵌入（以图搜图 / 零样本分类）
`track_demo.cc`	检测 + ByteTrack 多目标跟踪

视频与取流

示例	做什么
`video_det_demo.py`	视频文件端到端：VPU 解码 → BPU 检测 → 画框 → VPU 编码 → mp4
`video_det_demo_async.cc`	同一条链路的 C++ 异步版本
`rtsp_det_demo.py`	RTSP 实时检测，纯硬件解码（1080p H.264 约 233 FPS）
`video_decode.cc` · `video_roundtrip.cc`	H.264/H.265 解码 / 编解码回环
`jpeg_roundtrip.cc`	硬件 JPEG 编解码（JPU）

性能与探针

示例	做什么
`pipeline_bench.cc` · `async_bench.cc`	同步 / 异步流水线吞吐
`gdc_letterbox_bench.cc`	GDC 硬件 letterbox 对比 CPU
`mempool_demo.cc` · `vp_probe.cc`	设备内存池 / VP 单元探针

Python 侧的最小用法（每个任务一段代码）都在 docs/API.zh.md。

能力清单

每个任务都有两个层次可用：高层任务类（给 Engine + config，一次调用出结果），或纯 decode_* 函数（吃 float32 NumPy 数组，不需要 Engine、不需要板子、不需要模型）。

后端 —— Engine 封装 hbDNN（hbDNNInferV2）；自动处理缓存一致性（推理前 clean、读取前 invalidate）；零拷贝 / 反量化的输出读取器。
任务（CPU/NEON 后处理）：
- 检测 —— anchor-free LTRB 多尺度 + DFL 头（YOLO26 / YOLOv8 / v5 / v11），分类别 NMS。
- 分类、姿态（17 关键点）、实例分割（proto × mask-coef）、 旋转框（OBB，旋转 IoU NMS）、语义分割、单目深度、 双目深度（双图视差）、单目 3D 检测（SMOKE —— 单张图出 3D 框 + 朝向）。
- RGB-D 深度精修 —— LingBot-Depth：把已有的带噪、有空洞的传感器深度（双目或 ToF）连同对齐的 RGB 一起送入，输出补全后的米制深度 + 逐像素可信掩膜，可直接反投影成点云。它精修而非估计，和上面两个深度头是互补关系。
- OCR —— 完整三段式流水线：DBNet 检测 → PP-LCNet 方向分类（0°/180°）→ CRNN/CTC 识别。默认 PP-OCRv6（识别侧走全 int16 构建：在 S100P 上比编译器默认的混合精度 int8 构建字错率约减半、且快约 2 倍），PP-OCRv5 保留为回退。
- 开放词汇检测 / 分割 —— YOLOE（prompt-free，自带 COCO-80 标签表 LabelMap，复用 LTRB / DFL 解码，无需重训即可命名类别）。
- 可提示分割 —— EdgeSAM 交互式分割（点 / 框提示；RepViT 图像编码器 → 缓存 embedding → 提示解码器两段式，SamSession）。
- 全景驾驶感知 —— YOLOP 一次推理出三个头：车辆检测（anchor-based AnchorDetector）+ 可行驶区域 + 车道线（各复用 Segmenter）。注意官方 ONNX 把 anchor 解码烘进图里（ScatterND），该解码在 BPU 上编译不出来 （objectness/类别列不被写入，任何阈值下都是零检测），所以图要切在解码前、解码走 CPU（decodeYoloV5Anchor）。
- 图像嵌入 —— ImageEmbedder + EmbeddingBank（以图搜图 / 零样本分类：池化向量读出 + L2 归一化 + 余弦 top-k）。注意嵌入模型的 .hbm 常打包多个 submodel（整图池化向量 / 逐 patch 特征图），用 Engine::modelNames 挑出池化那个；预处理是挤压式 resize 而非 letterbox（这类模型没见过 padding）。
- 人脸 —— SCRFD 检测（5 关键点，对浮点关键点误差 0.35 px）+ 闭式 Umeyama 对齐 alignFace 到 112×112 模板；识别不需要新任务，对齐后的 crop 走 ImageEmbedder、比对走 EmbeddingBank。注意这个检测器把图放左上角、右下补边（face_letterbox 返回零 padding），用居中 letterbox 会让每个框和关键点整体偏移。
- 全身姿态（133 关键点） —— ViTPose，自顶向下：与上面的姿态头不同，它对每个人的裁剪跑一次，所以前面要接一个检测器、开销随人数增长；换来的是脚、68 点人脸和双手。1.68 ms/人。
- 稀疏特征点与匹配 —— XFeat：可重复的关键点 + L2 归一化的 64 维描述子，加互为最近邻匹配（matchFeatures）。只有卷积主干在 BPU 上（约 1.0 ms、 3.1 MB）；输入的 InstanceNorm 与 softmax / NMS / top-k / 稀疏采样都在 CPU，图里因此没有任何动态控制流。
- 超分 —— 分块 x4 放大（SuperResolver，重叠交叉淡化拼接）。两个模型各有所长：SPAN 保真型，干净输入更准、体积小 6 倍；Compact 感知型、训练在真实退化上，模糊/压缩输入更强。按输入域选，不是谁替代谁。
- 多目标跟踪 —— ByteTrack（Kalman + 两阶段关联）；ReID 外观嵌入的 L2 归一化 + 余弦相似度（BoT-SORT 关联原语）、BoostTrack++ 与相机运动补偿。
- 检测头同时支持 PTQ（NV12 两平面）与 QAT 导出的浮点输入 模型（detect_float / letterbox_chw_float）。
硬件预处理 —— VPS GDC 引擎上的固定几何变换：硬件 letterbox 与任意密集重映射 GdcRemap（cv2.remap 语义，用于双目立体校正；2448×2048 约 6.3ms， CPU 基本空闲）。
多媒体 —— 硬件 JPEG（JPU）与 H.264 / H.265（VPU）编解码，以及从 RTSP 网络流直接喂进硬件解码器的路径。
流水线 —— 同步、缓冲复用的 DetectionPipeline，多线程 AsyncDetectionPipeline（预处理 ‖ 推理重叠）、TrackingPipeline、 StereoPipeline，以及视频文件 / RTSP → 解码 → 检测的链路。
Python —— nanobind 绑定：NumPy 进/出，覆盖每个解码器 + 流水线，阻塞推理期间释放 GIL。

模型

编译好的 BPU 模型（.hbm）不纳入版本库（体积大）—— 请放到 models/ 下，用 scripts/fetch_models.sh 填充。模型转换（ONNX → .hbm、PTQ 校准）是在 x86 主机上用 D-Robotics OpenExplorer 工具链离线完成的；完整的转换配方（导出、校准、hb_compile 配置与各模型的精度/延迟实测）在配套仓库 bcdl-model-zoo。每个 .hbm 都为特定 BPU march 编译，所以请用为你的板子编译的那一份（S100 / S100P 共用 Nash march；S600 为其自身编译）—— BCDL 运行时本身在整个 S 系列上一致。

每个模型是什么、从哪来、该取哪个 build、以及各自的许可证，见 docs/MODELS.md。 示例/基准用到的模型都是第三方的，权重及其编译产物遵循各自的原始许可证 —— 其中 Ultralytics YOLO 权重为 AGPL-3.0（著佐权，商用需其 Enterprise 授权），insightface 的人脸预训练权重为学术非商用；重新分发或商用前请逐一核对。BCDL 自身的代码（本仓库，Apache-2.0）与这些无关 —— 它是一个能加载任意 .hbm 的通用运行时，上述许可证约束的是模型权重，而非 BCDL。

性能基准

在 RDK S100P（sw 4.0.5）上测得。infer 仅为 BPU 推理；decode 加上 BCDL 的后处理；model 为 .hbm 在磁盘上的大小。每一行的标注输出见效果展示。

任务	模型	输入	infer ms	infer FPS	decode ms	model MB
cls	yolo26n	224²	0.44	2251	0.49	3.9
det	yolo26n (LTRB)	640²	1.16	860	2.02	7.8
det_dfl	yolov8 (DFL 头)	640²	1.45	689	9.49	3.7
pose	yolo26n	640²	1.29	778	1.46	7.7
seg	yolo26n	640²	1.63	615	10.7	9.9
obb	yolo26n	640²	1.11	900	1.65	5.8
semseg	deeplabv3plus	2048×1024	49.0	20	57.2	39.1
semseg_rt	PIDNet-S (1/8 出图)	2048×1024	4.52	221	4.70	19.0
depth	depth-anything-v2	686×518	111	9	115	121.8
stereo	las2-m (crop)	640×480	14.0	72	21.6	40.7
ocr	PP-OCRv5 server (det→cls→rec)	960² / 48×320	20.0	50	135	35.3
embed	SigLIP base/16	224²	19.3	52	20.2	129
drive	YOLOP (det+可行驶+车道)	640²	2.80	358	5.44	12.0
face⁰	SCRFD-10G	640²	60.2	17	61.5	5.9
wholebody	ViTPose-S (133 点)	192×256	1.69	593	17.3¹	29.1
features	XFeat	640×480	1.00	998	201²	3.2
superres	Compact x4	128²	2.04	491	27.6³	38.9
superres	SPAN ch48 x4	128²	1.14	874	22.5³	6.1

⁰ 人脸不在 board_bench.py 套件里（需人脸图），这一行是单独测的；其余各行来自同一次干净运行。 SCRFD-10G 是重型档，要提速换 2.5g。识别侧接 ImageEmbedder（对浮点余弦 0.975）。 ¹ 自顶向下：infer 是单人，decode 是整帧（该图 2 人）——开销随人数增长。 ² 含两张图各自的提取与匹配；匹配是 O(|a|·|b|·64)，默认 4096 点/边就占其中约 130 ms，把 top_k 降到 1024 只要 8 ms。 ³ 分块放大：infer 是单块，decode 是整图（202×270 → 808×1080，6 块）。

yolo26s @1280×720 的流式吞吐：同步 216 FPS，异步重叠 334 FPS（1.55×）。硬件 JPEG 解码（JPU）在样例图上比 cv2/libjpeg 快 ≈3.6–5.3×，并卸载 CPU（零拷贝 NV12→BPU）。

压缩视频端到端（AsyncVideoDetectionPipeline，yolo26n @1080p）：H.264 441 FPS、 H.265 439–451 FPS，瓶颈落在 VPU 解码。解码出的 NV12 由 GDC 硬件 letterbox 直接落到模型输入，无 BGR 往返（0.97 ms/帧，其中仅 ~0.3 ms 占 CPU）。纯 VPU 解码 452 / 481 FPS。输入必须是 Annex-B 裸流——mp4 请先用 ffmpeg -c:v copy -bsf:v h264_mp4toannexb 解封装（只拆容器，不碰像素）。

在板上复现：

PYTHONPATH=build:python python scripts/board_bench.py --retry-until-clean 3

--retry-until-clean 会拿 det / depth 两行与已提交的 results.json 对表，偏离过大就判为 板子被别的进程占用、丢弃重跑。这不是保险起见——同一个模型实测过 30 倍的差异。别的判据都靠不住：load average 被常驻 D 状态的内核线程顶在核数附近；进程检查会正好落在别人任务的两批之间；连 hrt_model_exec 也一样会被拖慢（同一模型脏板 22ms / 干净 0.95ms）。 结果本身是唯一可靠的信号。

文档

文档	涵盖内容
`docs/API.zh.md`	Python API 参考 —— 每个类、配置和 `decode_*` 函数，附每个任务的用法片段。（English）
`docs/CPP_API.zh.md`	C++ API 参考 —— `namespace bcdl` 下的同一接口面，对应到各头文件。（English）
`docs/MODELS.md`	模型清单 —— 示例与基准用到的每个 `.hbm`：来源、该取哪个 build、许可证。
`docs/GDC.md`	GDC 硬件几何变换 —— 硬件 letterbox 与密集重映射的用法与限制。
`benchmarks/RESULTS.md`	完整板端基准数据 + 效果展示中的标注校验图。
`CONTRIBUTING.md`	如何搭建、构建（在板上）、测试并提交改动。
`CHANGELOG.md`	发布说明（Keep a Changelog / SemVer）。

公共头文件在 include/bcdl/；可运行程序在 examples/。

运行环境要求

一块 RDK S100 / S100P / S600 开发板（Ubuntu 22.04，aarch64），且板上已有 D-Robotics hobot SDK（/usr/include/hobot、/usr/hobot/lib：libdnn、 libhbucp、libhbvp）—— 或安装上文的 hobot-dnn / hobot-media conda 包。 BCDL 的源码在整个 S 系列上一致；而编译出的 .hbm 是 march 相关的，所以请运行为你目标板编译的模型（见模型）。
CMake ≥ 3.22、GCC 11、Ninja。
OpenCV 5（图像操作；由 BCDL_HAVE_OPENCV 守卫，并有手写回退实现）。
Python 模块所需：带 nanobind 的 Python 环境（以及 NumPy、OpenCV）。

从源码构建

在板上、在你的 Python/conda 环境里构建（需要 hobot SDK —— 来自上文的 hobot-dnn / hobot-media conda 包，或系统镜像里的 /usr/include/hobot + /usr/hobot/lib）：

cmake -S . -B build -G Ninja -DCMAKE_BUILD_TYPE=Release
cmake --build build -j

这会构建 bcdl 库、C++ 示例，以及 bcdl_py Python 模块。

从 CMake 安装并使用 —— 支持 find_package(bcdl)：

cmake --install build --prefix /your/prefix

find_package(bcdl CONFIG REQUIRED)
target_link_libraries(your_target PRIVATE bcdl::bcdl)   # 一并带入头文件 + hobot 依赖

安装 Python 模块 —— 一个可 pip 安装的 wheel（scikit-build-core）；请在板上构建（C++ 构建需要 hobot SDK）：

pip install .          # 或： pip wheel . -w dist/
python -c "import bcdl; print(bcdl.__version__)"

测试

在 已安装 bcdl 的情况下（用上文的 conda 频道，或一个 pip wheel），直接对已安装模块跑测试套件 —— 无需设置 PYTHONPATH：

pip install pytest          # 同时需检出本仓库以获取测试文件
pytest tests/               # 完整套件；缺模型的板端测试会跳过

如果是 源码构建，则让 pytest 指向源码树内的模块：

# (1) 无需 Engine 的 numpy 解码测试 —— 不需要板子 / 不需要模型：
PYTHONPATH=build:python pytest tests/test_detection.py tests/test_pose.py \
    tests/test_obb.py tests/test_instance_seg.py tests/test_depth_seg.py \
    tests/test_depth_seg_py.py tests/test_classification.py tests/test_ocr.py

# (2) 板端、真实模型端到端 —— 需要填充好 models/；每个任务在其模型/图像缺失时
#     都会干净地跳过：
PYTHONPATH=build:python pytest tests/

两层：后处理数学由 确定性 NumPy 测试 通过无需 Engine 的 decode_* 绑定钉死（任何地方都能跑），随后 板端套件 在真实模型上验证完整的 BPU/编解码路径。在 RDK S100P 上，对 conda 包（bcdl + libbcdl + hobot-dnn + hobot-media）端到端：96 通过、1 跳过（共收集 97 个；该跳过项需要显式 --hbm）。

分组	文件	测试数	需要板子？
解码数学（det/cls/pose/obb/实例分割/depth/seg/ocr/stereo）+ 内存安全	`test_detection`、`test_classification`、`test_pose`、`test_obb`、`test_instance_seg`、`test_depth_seg`(+`_py`)、`test_ocr`、`test_stereo_py`、`test_memory_safety`	66	否
真实模型上的任务（cls·det·det_dfl·pose·seg·obb·semseg·depth·OCR 三段）	`test_board_models`	11	是
双目深度（真实 LAS2 `.hbm`）	`test_stereo_board_py`	3	是
多媒体编解码（VPImage · JPEG/JPU · H.264/H.265/VPU）	`test_codec_py`、`test_video_decode_py`	11	是
流水线（ByteTrack、异步检测）	`test_tracking_py`、`test_async_detection_py`	5	是

社区交流

欢迎加入 BCDL (BPU) 技术交流群，一起讨论 RDK / BPU 部署与本项目的使用。

微信群二维码有有效期，上面这张会在同一链接上原地更新；若扫码仍失效，请在 Issues 留言，也欢迎直接在 Issues 交流。

同一块板子上想跑大语言模型？姊妹项目 BLLM 是同一套设计取向的 BPU 端侧 LLM / VLM 运行时，两者共享 BPU 并可协同调度。

参与贡献

欢迎贡献 —— issue 与 pull request 皆可。完整指南见 CONTRIBUTING.md；要点如下：

在任意机器开发，在板上构建与运行。 hobot SDK 只存在于 RDK 硬件上，所以 C++ 库和板端测试套件必须在 S100 / S100P / S600 板上构建并执行。无需 Engine 的 NumPy decode_* 测试可在任意主机上运行（见测试）。
约定 —— 头文件用 .h，实现用 .cc；命名空间 bcdl；错误通过 BCDL_CHECK(...) → bcdl::Error。与周围代码的风格和结构保持一致。
测试 —— 任何行为变更都要新增或更新测试。用一个通过 decode_* 绑定的确定性 NumPy 测试钉死后处理数学（任意地方可跑），并在涉及模型时补一个板端端到端测试，且其模型缺失时能干净跳过。
提交 —— 保持聚焦；遵循日志中已有的 Conventional Commits 风格。
Changelog —— 在 CHANGELOG.md 的 [Unreleased] 下记录对用户可见的变更。

致谢

D-Robotics —— RDK S100 / S100P / S600 平台与 hobot SDK（hbDNN、 hbUCP、hb_vp、多媒体/编解码），BCDL 构建于其上，以及 rdk_model_zoo 参考模型。
nanobind —— Python 绑定层。
OpenCV —— 预处理路径上的图像操作。
BCDL 重新实现了其后处理的上游模型作者 —— PaddleOCR / PaddlePaddle （PP-OCRv6 / v5、PP-LCNet）、Ultralytics（YOLO 系列）、Depth-Anything-V2 与 DeepLabV3+。其许可证见模型；BCDL 不打包这些权重中的任何一个。

许可证

BCDL 以 Apache License 2.0 授权 —— 见 LICENSE。

这只覆盖 BCDL 自身的源码。models/ 下的第三方模型权重及其编译产物受各自上游许可证约束（见模型）—— 尤其 Ultralytics YOLO 权重为 AGPL-3.0，使用或再分发前请遵循其原始授权。

Navigation Menu

Repository files navigation

BCDL — RDK BPU 视觉开发框架

几分钟做出一个 BPU 视觉应用。

效果展示

为什么用 BCDL

与官方 SDK 的关系

架构

快速上手

1. 装（一分钟）

2. 拿一个模型（一分钟）

3. 跑（一分钟）

示例

能力清单

模型

性能基准

文档

运行环境要求

从源码构建

测试

社区交流

参与贡献

致谢

许可证

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
Latest commit History 24 Commits
benchmarks		benchmarks
cmake		cmake
data		data
docs		docs
env		env
examples		examples
include/bcdl		include/bcdl
models		models
python		python
scripts		scripts
src		src
tests		tests
.gitignore		.gitignore
CHANGELOG.md		CHANGELOG.md
CMakeLists.txt		CMakeLists.txt
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.en.md		README.en.md
README.md		README.md
pyproject.toml		pyproject.toml

Folders and files

Latest commit

History

Repository files navigation

BCDL — RDK BPU 视觉开发框架

几分钟做出一个 BPU 视觉应用。

效果展示

为什么用 BCDL

与官方 SDK 的关系

架构

快速上手

1. 装（一分钟）

2. 拿一个模型（一分钟）

3. 跑（一分钟）

示例

能力清单

模型

性能基准

文档

运行环境要求

从源码构建

测试

社区交流

参与贡献

致谢

许可证

About

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages