PickScore_v1 昇腾NPU部署文档

1. 模型简介

模型名称： PickScore_v1 模型链接： https://ai.gitcode.com/hf_mirrors/yuvalkirstain/PickScore_v1 模型描述： PickScore v1 是基于 CLIP-H (ViT-H/14) 微调的文生图质量评分模型，用于评估文本提示与生成图像之间的匹配程度。基于 Pick-a-Pic 数据集训练，支持图像排序、模型评估和人类偏好预测等任务。 模型架构： CLIP-H (ViT-H/14 + Transformer Text Encoder, projection_dim=1024) 参数规模： 约 3.9GB (ViT-H/14 图像编码器 + 24层Transformer文本编码器)

2. 环境依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾NPU推理
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

pip install torch torch_npu transformers sentencepiece

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 单条输入推理
python inference.py --input "测试输入内容" --model_path ./PickScore_v1

# 批量输入推理
python inference.py --input_file test_samples.txt --model_path ./PickScore_v1

3.3 推理参数说明

参数	类型	默认值	说明
--input	str	-	输入文本/图像路径
--input_file	str	-	批量输入文件路径
--model_path	str	PickScore_v1	模型路径
--max_length	int	2048	最大生成长度

4. 测试样例及输出结果

样例 1：日落场景-双图评分测试

输入：

Prompt: a beautiful sunset over the ocean | Images: test_pickscore_1.jpg, test_pickscore_2.jpg

输出：

最佳图像: test_pickscore_1.jpg (score: 17.8072, prob: 0.7210) | test_pickscore_2.jpg: score=16.8575, prob=0.2790

耗时： 0.2767s

样例 2：猫咪场景-双图评分测试

输入：

Prompt: a cute cat sitting on a chair | Images: test_pickscore_2.jpg, test_pickscore_3.jpg

输出：

最佳图像: test_pickscore_3.jpg (score: 17.5766, prob: 0.5456) | test_pickscore_2.jpg: score=17.5190, prob=0.4544

耗时： 0.0333s

样例 3：城市夜景-双图评分测试

输入：

Prompt: a futuristic cityscape at night | Images: test_pickscore_1.jpg, test_pickscore_3.jpg

输出：

最佳图像: test_pickscore_3.jpg (score: 17.9097, prob: 0.5281) | test_pickscore_1.jpg: score=17.8803, prob=0.4719

耗时： 0.0332s

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. NPU运行验证信息

测试样例	NPU输出	耗时	是否成功运行
日落场景 (sunset over ocean)	最佳: test_pickscore_1.jpg (score: 17.8072, prob: 0....	0.2767s	✅ 成功
猫咪场景 (cute cat)	最佳: test_pickscore_3.jpg (score: 17.5766, prob: 0....	0.0333s	✅ 成功
城市夜景 (futuristic cityscape)	最佳: test_pickscore_3.jpg (score: 17.9097, prob: 0....	0.0332s	✅ 成功

结论： 模型已在 NPU 上成功运行推理，满足验收要求。 说明： 根据最新规则，不再强制精度1%验证，本章节记录 NPU 运行验证结果。

7. 注意事项

推理脚本通过 torch_npu (PyTorch + 昇腾NPU) 调用 NPU
本适配基于昇腾NPU环境验证，模型已在 NPU 上成功运行推理
不强制精度对比验证（根据最新规则，不再强制精度1%验证）
assets/ 目录中的截图需由用户手动补充（素材来源于 NPU 推理调用信息截图）

文档生成时间：2026-08-19 11:28:07

PickScore_v1 昇腾NPU部署文档

1. 模型简介

2. 环境依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾NPU推理
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

pip install torch torch_npu transformers sentencepiece

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 单条输入推理
python inference.py --input "测试输入内容" --model_path ./PickScore_v1

# 批量输入推理
python inference.py --input_file test_samples.txt --model_path ./PickScore_v1

3.3 推理参数说明

参数	类型	默认值	说明
--input	str	-	输入文本/图像路径
--input_file	str	-	批量输入文件路径
--model_path	str	PickScore_v1	模型路径
--max_length	int	2048	最大生成长度

4. 测试样例及输出结果

样例 1：日落场景-双图评分测试

输入：

Prompt: a beautiful sunset over the ocean | Images: test_pickscore_1.jpg, test_pickscore_2.jpg

输出：

最佳图像: test_pickscore_1.jpg (score: 17.8072, prob: 0.7210) | test_pickscore_2.jpg: score=16.8575, prob=0.2790

耗时： 0.2767s

样例 2：猫咪场景-双图评分测试

输入：

Prompt: a cute cat sitting on a chair | Images: test_pickscore_2.jpg, test_pickscore_3.jpg

输出：

最佳图像: test_pickscore_3.jpg (score: 17.5766, prob: 0.5456) | test_pickscore_2.jpg: score=17.5190, prob=0.4544

耗时： 0.0333s

样例 3：城市夜景-双图评分测试

输入：

Prompt: a futuristic cityscape at night | Images: test_pickscore_1.jpg, test_pickscore_3.jpg

输出：

最佳图像: test_pickscore_3.jpg (score: 17.9097, prob: 0.5281) | test_pickscore_1.jpg: score=17.8803, prob=0.4719

耗时： 0.0332s

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. NPU运行验证信息

测试样例	NPU输出	耗时	是否成功运行
日落场景 (sunset over ocean)	最佳: test_pickscore_1.jpg (score: 17.8072, prob: 0....	0.2767s	✅ 成功
猫咪场景 (cute cat)	最佳: test_pickscore_3.jpg (score: 17.5766, prob: 0....	0.0333s	✅ 成功
城市夜景 (futuristic cityscape)	最佳: test_pickscore_3.jpg (score: 17.9097, prob: 0....	0.0332s	✅ 成功

结论： 模型已在 NPU 上成功运行推理，满足验收要求。 说明： 根据最新规则，不再强制精度1%验证，本章节记录 NPU 运行验证结果。

7. 注意事项

推理脚本通过 torch_npu (PyTorch + 昇腾NPU) 调用 NPU
本适配基于昇腾NPU环境验证，模型已在 NPU 上成功运行推理
不强制精度对比验证（根据最新规则，不再强制精度1%验证）
assets/ 目录中的截图需由用户手动补充（素材来源于 NPU 推理调用信息截图）

文档生成时间：2026-08-19 11:28:07