MobileNetV3 RW RMSP on Ascend NPU

1. 简介

本文档记录 mobilenetv3_rw.rmsp_in1k 图像分类模型在 Ascend 910B3 NPU 上的适配与验证结果。

mobilenetv3_rw 是 Ross Wightman (rw) 使用 RMSProp 优化器训练的 MobileNetV3 变体，参数量约 5.5M，与 mobilenetv3_large_100 参数量相当但在不同训练配方下获得。

主要工作：

• 在 Ascend NPU 上加载并运行 timm 格式的 MobileNetV3 模型
• CPU 与 NPU 推理精度对比验证（相对误差 < 1%）
• NPU 推理性能评测

相关获取地址：

• 权重下载地址（ModelScope）：https://modelscope.cn/models/timm/mobilenetv3_rw.rmsp_in1k
• 权重下载地址（HuggingFace）：https://huggingface.co/timm/mobilenetv3_rw.rmsp_in1k
• 原始仓库：https://github.com/huggingface/pytorch-image-models

2. 验证环境

• NPU：Ascend 910B3（8 逻辑卡）
• 输入尺寸：3 x 224 x 224

3. 环境准备

3.1 安装依赖

pip install torch torchvision torch_npu -i https://repo.huaweicloud.com/repository/pypi/simple
pip install timm transformers pillow -i https://repo.huaweicloud.com/repository/pypi/simple

3.2 下载模型权重

from modelscope import snapshot_download
snapshot_download('timm/mobilenetv3_rw.rmsp_in1k', local_dir='./mobilenetv3_rw.rmsp_in1k')

4. 快速开始

# 单张图片推理
python inference.py --image /path/to/image.jpg --topk 5

# 批量推理
python inference.py --image_dir /path/to/images/

# URL 图片
python inference.py --image https://example.com/cat.jpg

5. 推理验证

python inference.py --model_path ./mobilenetv3_rw.rmsp_in1k --image test.jpg --device npu

模型加载正常，NPU 推理返回 top-5 分类结果。

6. 性能参考

测试条件：batch_size=32，200 样本，100 次基准迭代。

7. 精度评测

使用 200 张随机输入图片进行 CPU vs NPU 对比。

评测命令：

python eval.py --model_path ./mobilenetv3_rw.rmsp_in1k --num_images 200 --batch_size 32

8. 注意事项

1. 模型从本地 pytorch_model.bin 加载，支持 safetensors 格式。
2. 输入预处理使用 timm.data.create_transform 自动配置，无需手动设置。
3. CPU 端该模型推理较慢（284ms/样本），NPU 加速效果显著（50x）。
4. 当前精度评测使用随机输入，如需 ImageNet 验证集精度请替换为真实数据加载。