Facial Age Detection - NPU 适配
模型信息
- 原始模型：prithivMLmods/facial-age-detection
- 网络结构：SiglipForImageClassification（基于 SigLIP2 微调）
- 参数量：92,890,376
- 标签：8 个年龄组
| ID | 年龄组 |
|---|
| 0 | 01-10 岁 |
| 1 | 11-20 岁 |
| 2 | 21-30 岁 |
| 3 | 31-40 岁 |
| 4 | 41-55 岁 |
| 5 | 56-65 岁 |
| 6 | 66-80 岁 |
| 7 | 80+ 岁 |
环境配置
| 组件 | 版本 |
|---|
| PyTorch | 2.9.0 |
| torch_npu | 2.9.0.post1 |
| Ascend CANN | 8.5.1 |
| NPU | Ascend 910B4（29.5GB） |
| Transformers | 4.57.6 |
文件说明
| 文件 | 描述 |
|---|
inference.py | 单图像年龄推理 + 性能基准测试 |
accuracy_run.py | CPU 与 NPU 精度验证 |
accuracy_run_perf.py | NPU 性能基准测试 |
result.json | 推理结果样例 |
accuracy_report.json | 精度验证报告 |
perf_report.json | 性能基准测试报告 |
使用方法
单图像推理
python3 inference.py \
--model_path /path/to/facial-age-detection \
--image /path/to/face.jpg \
--output result.json
性能基准测试
python3 accuracy_run_perf.py /path/to/facial-age-detection 10 perf_report.json
性能结果（Ascend 910B4）
| 指标 | 数值 |
|---|
| 平均延迟 | 11.14 ms |
| 中位数延迟 | 11.08 ms |
| P90 延迟 | 11.20 ms |
| P99 延迟 | 12.20 ms |
| 最小延迟 | 10.97 ms |
| 最大延迟 | 12.77 ms |
| 吞吐量 | 89.78 img/s |
示例输出
{
"predicted_label": "age 01-10",
"probabilities": [
0.7402, 0.0839, 0.0309, 0.0442,
0.0405, 0.0281, 0.0281, 0.0040
],
"inference_time_ms": 16138.77
}
年龄分布详情
| 年龄组 | 置信度 |
|---|
| age 01-10 | 74.02% ✅ |
| age 11-20 | 8.39% |
| age 21-30 | 3.09% |
| age 31-40 | 4.42% |
| age 41-55 | 4.05% |
| age 56-65 | 2.81% |
| age 66-80 | 2.81% |
| age 80+ | 0.40% |
首次推理包含 JIT 编译开销（约 16 秒）。后续推理平均耗时约 11 毫秒。