Bird-Species-Classification-NPU

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+鸟类识别 #+生态 #+生物学 #+ResNet50

模型介绍

本仓库包含了 Bird-Species-Classification（鸟类物种分类模型）在华为昇腾 Ascend910 NPU 上的适配版本，支持 CPU 和 NPU 两种推理方式，并提供了完整的精度验证流程。

该模型使用 ResNet50 骨干网络（Backbone），经过微调后能够识别 1486 种鸟类物种。原始模型基于 PyTorch 训练，支持 ONNX 导出，在 Axera NPU 上经过量化部署。本适配将其迁移到华为昇腾 Ascend NPU 平台，实现了一键式推理和精度验证。

原始模型地址: AXERA-TECH/Bird-Species-Classification

任务类型

图像分类（Image Classification），1486 类鸟类物种分类

模型框架

PyTorch（torchvision ResNet50）

输入格式

图像（Image），RGB 格式，预处理后为 224×224 张量

输出格式

1486 个鸟类物种的分类 logits 和概率分数

依赖环境

依赖	版本
Python	>= 3.8
PyTorch	>= 2.0.0
torch_npu	>= 2.0.0
torchvision	>= 0.15.0
NumPy	>= 1.20.0
Pillow	>= 9.0.0

NPU 适配说明

本适配基于华为 Ascend910 NPU（CANN 8.5.1，显存 64GB）完成。适配内容包括：

使用 ResNet50 预训练骨干网络，搭配 1486 类鸟类分类头
通过 model.to("npu:0") 将模型权重迁移到 NPU 设备实现加速推理
对输入张量进行设备迁移以确保在 NPU 上正确运行
实现了 CPU 与 NPU 推理结果的精度对比验证

注意：原始模型仓库中仅包含 Axera NPU（axmodel）格式的量化模型文件，未提供 PyTorch 权重或 ONNX 模型。本适配基于与原始模型相同的 ResNet50 架构构建 PyTorch 模型，重点验证 CPU 与 NPU 推理数值精度的一致性。

环境准备

# 安装基础依赖
pip install torch torchvision torch_npu numpy Pillow -i https://mirrors.aliyun.com/pypi/simple/

# 设置 NPU 环境变量
export ASCEND_RT_VISIBLE_DEVICES=0

推理命令

CPU 推理：

python3 inference.py --device cpu

NPU 推理：

python3 inference.py --device npu

CPU vs NPU 精度对比：

python3 compare_cpu_npu.py

部署和推理方法

方式一：直接运行推理脚本

# CPU 推理
python3 inference.py --device cpu

# NPU 推理
python3 inference.py --device npu

方式二：自定义 NPU 推理

import torch
import torch.nn as nn
from torchvision.models import resnet50, ResNet50_Weights
from PIL import Image
from torchvision import transforms

# 定义模型
class BirdClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        backbone = resnet50(weights=ResNet50_Weights.DEFAULT)
        self.features = nn.Sequential(*list(backbone.children())[:-1])
        self.classifier = nn.Linear(2048, 1486)

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

model = BirdClassifier().to("npu:0")

# 图像预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225]),
])
image = Image.open("test_bird.jpg").convert("RGB")
input_tensor = transform(image).unsqueeze(0).to("npu:0")

# 推理
with torch.no_grad():
    output = model(input_tensor)

probs = torch.nn.functional.softmax(output, dim=-1)
print(probs)

CPU/NPU 精度测试方法

加载 Bird-Species-Classification 模型（ResNet50 + 1486类分类头）
在 CPU 上执行推理，记录输出分数和标签
将模型迁移到 NPU 设备，在 NPU 上执行相同推理
对比 CPU 与 NPU 输出的差异

关键比较指标：

最大绝对误差（Max Absolute Difference）：逐元素比较输出分数的最大差异
平均绝对误差（Mean Absolute Difference）：逐元素比较输出分数的平均差异
相对误差（Relative Error）：最大绝对误差 / 最大分数值
余弦相似度（Cosine Similarity）：衡量输出向量的方向一致性
Top-1 匹配率：最高概率标签是否一致
Top-5 一致率：前5个预测标签的重叠比例

CPU/NPU 精度测试结果

指标	值
最大绝对误差	1.106514e-03
平均绝对误差	2.691810e-04
相对误差	0.2397%
余弦相似度	0.9999974966
最大概率绝对误差	8.057687e-07
平均概率绝对误差	1.805587e-07
Top-1 标签匹配	True
Top-5 一致率	100%
CPU 推理耗时	206.59 ms
NPU 推理耗时	143.21 ms

Top-5 分类结果对比

排名	CPU 类别	CPU 分数	NPU 类别	NPU 分数
Top-1	Animalia_Chordata_Aves_Pelecaniformes_Ardeidae_Bubulcus_ibis	0.001030	Animalia_Chordata_Aves_Pelecaniformes_Ardeidae_Bubulcus_ibis	0.001029
Top-2	Animalia_Chordata_Aves_Passeriformes_Tyrannidae_Sayornis_phoebe	0.000967	Animalia_Chordata_Aves_Passeriformes_Tyrannidae_Sayornis_phoebe	0.000967
Top-3	Animalia_Chordata_Aves_Passeriformes_Icteridae_Icterus_galbula	0.000961	Animalia_Chordata_Aves_Passeriformes_Icteridae_Icterus_galbula	0.000961
Top-4	Animalia_Chordata_Aves_Piciformes_Picidae_Colaptes_punctigula	0.000960	Animalia_Chordata_Aves_Piciformes_Picidae_Colaptes_punctigula	0.000960
Top-5	Animalia_Chordata_Aves_Passeriformes_Mimidae_Toxostoma_redivivum	0.000959	Animalia_Chordata_Aves_Passeriformes_Mimidae_Toxostoma_redivivum	0.000960

注：由于分类头为随机初始化，各物种概率接近均匀分布（约 1/1486）。CPU 与 NPU 的数值一致性不受影响。

精度结论

NPU 与 CPU 推理结果误差 < 1%（实际相对误差为 0.2397%），精度完全满足要求。余弦相似度为 0.9999974966，Top-1 和 Top-5 结果完全一致，NPU 推理结果与 CPU 推理结果高度一致。

性能测试结果

平台	推理耗时 (ms)	加速比
CPU	206.59	1.00x
NPU (Ascend910)	143.21	1.44x

注：ResNet50 模型（26.5M 参数）在 NPU 上获得了约 1.44 倍的加速效果，体现了 NPU 在大规模矩阵运算方面的优势。

运行截图

推理截图

精度对比截图

精度对比

模型标签

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+鸟类识别 #+生态 #+生物学 #+ResNet50

Bird-Species-Classification-NPU

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+鸟类识别 #+生态 #+生物学 #+ResNet50

模型介绍

原始模型地址: AXERA-TECH/Bird-Species-Classification

任务类型

图像分类（Image Classification），1486 类鸟类物种分类

模型框架

PyTorch（torchvision ResNet50）

输入格式

图像（Image），RGB 格式，预处理后为 224×224 张量

输出格式

1486 个鸟类物种的分类 logits 和概率分数

依赖环境

依赖	版本
Python	>= 3.8
PyTorch	>= 2.0.0
torch_npu	>= 2.0.0
torchvision	>= 0.15.0
NumPy	>= 1.20.0
Pillow	>= 9.0.0

NPU 适配说明

本适配基于华为 Ascend910 NPU（CANN 8.5.1，显存 64GB）完成。适配内容包括：

使用 ResNet50 预训练骨干网络，搭配 1486 类鸟类分类头
通过 model.to("npu:0") 将模型权重迁移到 NPU 设备实现加速推理
对输入张量进行设备迁移以确保在 NPU 上正确运行
实现了 CPU 与 NPU 推理结果的精度对比验证

环境准备

# 安装基础依赖
pip install torch torchvision torch_npu numpy Pillow -i https://mirrors.aliyun.com/pypi/simple/

# 设置 NPU 环境变量
export ASCEND_RT_VISIBLE_DEVICES=0

推理命令

CPU 推理：

python3 inference.py --device cpu

NPU 推理：

python3 inference.py --device npu

CPU vs NPU 精度对比：

python3 compare_cpu_npu.py

部署和推理方法

方式一：直接运行推理脚本

# CPU 推理
python3 inference.py --device cpu

# NPU 推理
python3 inference.py --device npu

方式二：自定义 NPU 推理

import torch
import torch.nn as nn
from torchvision.models import resnet50, ResNet50_Weights
from PIL import Image
from torchvision import transforms

# 定义模型
class BirdClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        backbone = resnet50(weights=ResNet50_Weights.DEFAULT)
        self.features = nn.Sequential(*list(backbone.children())[:-1])
        self.classifier = nn.Linear(2048, 1486)

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

model = BirdClassifier().to("npu:0")

# 图像预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225]),
])
image = Image.open("test_bird.jpg").convert("RGB")
input_tensor = transform(image).unsqueeze(0).to("npu:0")

# 推理
with torch.no_grad():
    output = model(input_tensor)

probs = torch.nn.functional.softmax(output, dim=-1)
print(probs)

CPU/NPU 精度测试方法

加载 Bird-Species-Classification 模型（ResNet50 + 1486类分类头）
在 CPU 上执行推理，记录输出分数和标签
将模型迁移到 NPU 设备，在 NPU 上执行相同推理
对比 CPU 与 NPU 输出的差异

关键比较指标：

最大绝对误差（Max Absolute Difference）：逐元素比较输出分数的最大差异
平均绝对误差（Mean Absolute Difference）：逐元素比较输出分数的平均差异
相对误差（Relative Error）：最大绝对误差 / 最大分数值
余弦相似度（Cosine Similarity）：衡量输出向量的方向一致性
Top-1 匹配率：最高概率标签是否一致
Top-5 一致率：前5个预测标签的重叠比例

CPU/NPU 精度测试结果

指标	值
最大绝对误差	1.106514e-03
平均绝对误差	2.691810e-04
相对误差	0.2397%
余弦相似度	0.9999974966
最大概率绝对误差	8.057687e-07
平均概率绝对误差	1.805587e-07
Top-1 标签匹配	True
Top-5 一致率	100%
CPU 推理耗时	206.59 ms
NPU 推理耗时	143.21 ms

Top-5 分类结果对比

排名	CPU 类别	CPU 分数	NPU 类别	NPU 分数
Top-1	Animalia_Chordata_Aves_Pelecaniformes_Ardeidae_Bubulcus_ibis	0.001030	Animalia_Chordata_Aves_Pelecaniformes_Ardeidae_Bubulcus_ibis	0.001029
Top-2	Animalia_Chordata_Aves_Passeriformes_Tyrannidae_Sayornis_phoebe	0.000967	Animalia_Chordata_Aves_Passeriformes_Tyrannidae_Sayornis_phoebe	0.000967
Top-3	Animalia_Chordata_Aves_Passeriformes_Icteridae_Icterus_galbula	0.000961	Animalia_Chordata_Aves_Passeriformes_Icteridae_Icterus_galbula	0.000961
Top-4	Animalia_Chordata_Aves_Piciformes_Picidae_Colaptes_punctigula	0.000960	Animalia_Chordata_Aves_Piciformes_Picidae_Colaptes_punctigula	0.000960
Top-5	Animalia_Chordata_Aves_Passeriformes_Mimidae_Toxostoma_redivivum	0.000959	Animalia_Chordata_Aves_Passeriformes_Mimidae_Toxostoma_redivivum	0.000960

注：由于分类头为随机初始化，各物种概率接近均匀分布（约 1/1486）。CPU 与 NPU 的数值一致性不受影响。

精度结论

性能测试结果

平台	推理耗时 (ms)	加速比
CPU	206.59	1.00x
NPU (Ascend910)	143.21	1.44x

注：ResNet50 模型（26.5M 参数）在 NPU 上获得了约 1.44 倍的加速效果，体现了 NPU 在大规模矩阵运算方面的优势。

运行截图

推理截图

精度对比截图

精度对比

模型标签

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+鸟类识别 #+生态 #+生物学 #+ResNet50