DINO — 自监督视觉Transformer（NPU 昇腾适配版）

DINO/
├── README.md                  ← 本文件
├── LICENSE
├── requirements.txt          ← Python 依赖
│
├── scripts/                  ← NPU 适配脚本（可执行）
│   ├── ascend_train.py       ← 单卡训练
│   ├── ascend_train_ddp.py  ← 8卡 DDP 训练（torchrun + HCCL）
│   ├── ascend_eval_linear.py ← 线性评估
│   ├── ascend_export_onnx.py ← ONNX 导出
│   ├── ascend_onnx_benchmark.py
│   └── ascend_om_benchmark.py
│
├── src/                      ← DINO 原始源码（Facebook Research）
│   ├── vision_transformer.py  ← ViT 核心实现
│   ├── main_dino.py         ← 主训练入口
│   ├── utils.py             ← 工具函数
│   ├── eval_*.py           ← 各下游任务评测脚本
│   ├── hubconf.py
│   ├── video_generation.py
│   └── visualize_attention.py
│
├── templates_cv/             ← 训练模板（NPU TimingCollector 等）
│   └── template_utils.py
│
├── docs/                    ← 技术文档与分析
│   ├── DINO-NPU-适配指导书.md   ← ⭐ 完整迁移指南（必读）
│   ├── DINO-NPU-迁移验证报告.md ← 验证报告
│   ├── adaptation_report.md
│   ├── adaptation_checklist.md
│   ├── dino-skill改进建议.md
│   ├── env_matrix.md
│   ├── dataset_manifest.json
│   ├── model_analysis.json
│   └── requirement_analysis.json
│
├── doc/                     ← 原始 DINO 文档（上游）
│   └── dino_paper.pdf
│
└── artifacts/               ← 训练/推理产物（可直接使用）
    ├── npu_timing.json      ← 单卡 timing（7字段）
    ├── ddp_timing.json      ← 8卡 DDP timing（7字段）
    ├── distributed_env.json  ← 分布式环境信息
    ├── single_vs_multicard.json
    ├── npu_loss_b1.log     ← 单卡训练 loss
    ├── ddp_2epoch_loss.log  ← DDP 训练 loss
    ├── npu_phase4_val_report.json
    ├── accuracy_summary.json
    ├── perf_summary.json
    ├── benchmark_results.json
    ├── dino_vit_small_backbone.onnx  (83MB)
    ├── dino_vit_small_full.onnx      (168MB, 需手动上传或重生成)
    ├── dino_vit_small_backbone.om    (45MB)
    └── dino_vit_small_full.om        (88MB)

# 环境
pip install torch==2.7.1 torchvision==0.22.1 torch_npu==2.7.1.post1

# 下载数据集（Tiny ImageNet-200）
curl -L -o tiny-imagenet-200.zip https://cs231n.stanford.edu/tiny-imagenet-200.zip
unzip -q tiny-imagenet-200.zip && mv tiny-imagenet-200 dataset

# 调整数据集结构
mkdir -p dataset/imagenet_data && ln -s ../train dataset/imagenet_data/train

# 单卡训练
cd scripts
python3 ascend_train.py \
    --epochs 2 --batch_size_per_gpu 64 \
    --warmup_epochs 0 \
    --data_path ./dataset/imagenet_data/train/ \
    --output_dir ./output_pretrain

# 8卡 DDP 训练
torchrun --nproc_per_node=8 scripts/ascend_train_ddp.py \
    --epochs 2 --batch-size 64 --device-type npu \
    --data-dir ./dataset/imagenet_data \
    --output-dir ./output_ddp --num-classes 200

# 线性评估
python3 ascend_eval_linear.py \
    --load-pretrained ./checkpoint.pth \
    --data_dir ./dataset/tiny-imagenet-200 --epochs 90