dinov3-vitl16-pretrain-lvd1689m on Ascend NPU

1. 简介

本文档记录 dinov3-vitl16-pretrain-lvd1689m 在昇腾 NPU 环境的适配与验证结果。

模型信息：

• 模型类型：Vision Transformer (ViT-L/16)
• 参数量：300M
• 输入尺寸：[1, 3, 224, 224]
• 输出：last_hidden_state (196 patch tokens + 4 register tokens + 1 CLS token) + pooler_output

相关地址：

• 权重下载地址（HuggingFace）：https://huggingface.co/facebook/dinov3-vitl16-pretrain-lvd1689m
• 权重下载地址（ModelScope）：https://modelscope.cn/models/facebook/dinov3-vitl16-pretrain-lvd1689m
• 原项目地址：https://github.com/facebookresearch/dinov3

2. 验证环境

• NPU：1 逻辑卡
• 模型路径：/data/xxy/dinov3-vitl16-pretrain-lvd1689m
• Conda 环境：dinov3-vitl16

3. 环境配置

3.1 创建 conda 环境

conda create -n dinov3-vitl16 python=3.11 -y
conda activate dinov3-vitl16

3.2 安装依赖

pip install torch==2.10.0 torchvision --index-url https://download.pytorch.org/whl/cpu
pip install torch_npu transformers pillow -i https://repo.huaweicloud.com/repository/pypi/simple

3.3 验证环境

python -c "import torch; print('NPU available:', torch.npu.is_available())"

4. 适配方法

DINOv3 模型通过 HuggingFace AutoModel 加载，主要适配工作：

1. 设备迁移：使用 model.to("npu:0") 将模型权重迁移到 NPU
2. 输入处理：将输入张量移至 NPU 设备 pixel_values.to("npu:0")
3. 同步调用：NPU 推理后调用 torch.npu.synchronize() 确保计算完成

5. 使用方式

5.1 基本推理

# 使用随机张量推理
python inference.py

# 使用图片推理
python inference.py --image /path/to/image.jpg

# 指定设备
python inference.py --device cpu
python inference.py --device npu:0

5.2 精度与性能评测

python eval.py

评测结果将输出到终端并保存到 log.txt。

6. 评测结果

6.1 精度评测

使用随机输入对比 CPU 与 NPU 输出，计算最大绝对误差相对于值范围的百分比。

精度阈值要求：相对误差 < 1%

6.2 性能评测

首次 NPU 推理耗时较长（包含图编译开销），预热后平均推理耗时 36.92 ms。

7. 文件结构

dinov3-vitl16-pretrain-lvd1689m-ascend/
├── inference.py    # 推理脚本
├── eval.py         # 精度与性能评测脚本
├── log.txt         # 评测日志
└── README.md       # 本文档

8. 注意事项

1. 首次 NPU 推理包含图编译开销，性能测试需先预热
2. 模型输入尺寸为 [1, 3, 224, 224]（与 DINOv3 原版一致）
3. Conda 环境名称与模型名称一致：dinov3-vitl16
4. 精度计算采用相对于值范围的百分比，避免小值导致的相对误差放大