cv_convnext-base_image-classification_garbage

概述

垃圾分类模型，支持 265 种垃圾类别分类，基于 ConvNeXt-Base 架构，基于 ModelScope 的预训练模型，适配 Ascend NPU (Ascend910) 进行推理。

• ModelScope 模型: iic/cv_convnext-base_image-classification_garbage
• 模型架构: ConvNeXt-Base
• 推理设备: CPU / Ascend NPU (Ascend910)

文件说明

环境要求

• Python 3.11+
• PyTorch 2.9.0
• torch_npu 2.9.0.post1 (Ascend NPU)
• timm 1.0.27 (torchvision 模型)
• Ascend910 NPU + CANN 25.5.2

精度对比结果

精度结论：概率最大绝对误差（MaxAE）为 0.383%，低于 1% 精度要求，余弦相似度为 0.999993，精度验证通过（PASS）。

使用方法

1. 安装依赖

pip install -r requirements.txt

2. 运行推理

CPU 推理:

python3 inference.py --device cpu

NPU 推理:

python3 inference.py --device npu

3. 精度对比

python3 compare_cpu_npu.py

注意事项

• NPU 推理需要 Ascend910 环境和 torch_npu
• 首次运行会自动加载模型权重到内存
• CPU 和 NPU 结果可能存在微小浮点误差，但在可接受范围内 (< 1%)

精度结论

基于现有评测数据，CPU 与 NPU 的 余弦相似度 精度误差为 0.0007%，小于 1% 的精度要求。

推理成功证据

本仓库提供完整的推理脚本，支持 CPU 和 NPU 双平台推理：

# NPU 推理
python3 inference.py --device npu

# CPU 推理
python3 inference.py --device cpu

推理完成后会输出推理结果和耗时，表明模型在 NPU 上推理成功。