dinov3-vitl16-pretrain-lvd1689m on Ascend NPU
1. 简介
本文档记录 dinov3-vitl16-pretrain-lvd1689m（DINOv3 ViT-Large/16）在昇腾 NPU（Ascend 910B3）环境的适配部署与精度验证结果。
DINOv3 ViT-Large 是一种基于 Vision Transformer 的视觉特征提取模型，参数量约 300M，输出 1024 维图像特征向量。该模型在 LVD-1689M 数据集上通过 DINOv3 ViT-7B 教师模型蒸馏获得。本项目完成该模型在昇腾 NPU 上的推理适配，并验证 NPU 与 CPU 推理结果的精度误差 < 1%。
相关地址：
2. 验证环境
| 组件 | 版本 |
|---|
| Python | 3.11.x |
| PyTorch | 2.10.0+cpu |
| torch_npu | 2.10.0 |
| transformers | 5.8.1 |
| safetensors | 0.7.0 |
| CANN | 8.5.1 |
| NPU 驱动 | 25.5.2 |
| NPU 硬件 | Ascend 910B3 |
| 操作系统 | Linux (aarch64) |
3. 模型信息
| 项目 | 值 |
|---|
| 模型架构 | ViT-Large/16 (DINOv3) |
| 参数量 | ~300M |
| 特征维度 | 1024 |
| Layers | 24 |
| Attention Heads | 16 |
| Patch Size | 16 |
| Register Tokens | 4 |
| 输入尺寸 | 3×224×224 |
| 权重格式 | safetensors |
| 原始框架 | PyTorch (transformers) |
| 预训练数据 | LVD-1689M |
| 许可证 | DINOv3 License |
4. Conda 环境安装
conda create -n dinov3-vitl16 python=3.11 -y
conda activate dinov3-vitl16
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
pip install torch_npu==2.10.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
pip install transformers safetensors pillow --index-url https://repo.huaweicloud.com/repository/pypi/simple/
5. 推理执行
# NPU
python3 inference.py --model_path /path/to/model --image_path /path/to/img.jpg
# CPU
python3 inference.py --model_path /path/to/model --image_path /path/to/img.jpg --device cpu
# 评测
python3 benchmark.py --model_path /path/to/model
6. 参数说明
| inference.py | 说明 | 默认值 |
|---|
--model_path | 模型路径 | 必需 |
--image_path | 图像路径 | 必需 |
--device | npu:0 或 cpu | npu:0 |
--no_warmup | 跳过预热 | False |
| benchmark.py | 说明 | 默认值 |
|---|
--model_path | 模型路径 | 必需 |
--image_path | 测试图像 | 自动生成 |
--npu_device | NPU 设备 | npu:0 |
--num_warmup | 预热轮数 | 3 |
7. 精度评测结果
评测方法
同一图像在 CPU（FP32）和 NPU（FP32）上推理，对比输出特征差异。
| 指标 | 含义 | 阈值 |
|---|
| 向量级相对误差 | ` | |
| 余弦相似度 | 方向一致性 | > 0.99 |
精度结果
| 输出张量 | 向量级相对误差 | 余弦相似度 | 最大绝对误差 | 平均绝对误差 |
|---|
| features | 0.745333% | 0.9999730587 | 1.25e-02 | 2.77e-03 |
判定结论
| 指标 | 实测值 | 阈值 | 状态 |
|---|
| 向量级相对误差 | 0.75% | < 1% | PASS |
| 余弦相似度 | 0.999973 | > 0.99 | PASS |
8. 性能数据
| 操作 | 耗时 |
|---|
| CPU 推理时间（FP32） | 10.31s |
| NPU 推理时间（FP32，3轮预热后） | 0.15s |
| 加速比 | 69.59x |
9. 注意事项
- NPU 预热可消除首次推理编译开销，默认 3 轮。
- 权重文件（.safetensors）不包含在适配仓库中，需单独下载。
- 本模型基于 HuggingFace transformers
AutoModel 加载。