mobilenetv1_100.ra4_e3600_r224_in1k 昇腾 NPU 适配
模型介绍
mobilenetv1_100.ra4_e3600_r224_in1k 是一个基于 timm (PyTorch Image Models) 的图像分类模型，在 ImageNet-1K 数据集上预训练。
- 模型名称: mobilenetv1_100.ra4_e3600_r224_in1k
- 任务类型: 图像分类
- 模型框架: PyTorch + timm
- 输入格式: 图片 (RGB, 224x224)
- 输出格式: 1000 类 ImageNet 分类概率
- 原始模型地址: timm/mobilenetv1_100
- 原始模型文件: ModelScope
环境要求
- 操作系统: Linux (aarch64)
- NPU: Ascend910 (64GB HBM)
- CANN: 8.5.1
- Python: 3.11.14
- PyTorch: 2.9.0
- torch_npu: 2.9.0.post1
- timm: 1.0.27
NPU 适配说明
该模型为标准的 PyTorch 图像分类模型，通过 timm 库加载预训练权重，可在昇腾 Ascend910 NPU 上直接运行。 适配过程的关键步骤：
- 从 ModelScope 下载模型权重文件 (model.safetensors)
- 使用 timm.create_model() 创建模型实例
- 加载本地权重到模型中
- 将模型迁移到 NPU 设备 (npu:0)
- 执行推理
快速开始
1. 安装依赖
pip install torch torch_npu timm Pillow numpy safetensors如果下载速度慢，可使用清华镜像源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torch_npu timm Pillow numpy safetensors2. 下载模型
# 从 ModelScope 下载 model.safetensors
wget "https://www.modelscope.cn/api/v1/models/timm/mobilenetv1_100.ra4_e3600_r224_in1k/repo?Revision=master&FilePath=model.safetensors" -O model.safetensors3. 推理
CPU 推理：
python3 inference.py --device cpuNPU 推理：
python3 inference.py --device npu4. 精度对比
python3 compare_cpu_npu.py推理脚本 (inference.py)
import torch
import torch_npu
from timm import create_model
from safetensors.torch import load_file
from PIL import Image
from timm.data import create_transform, resolve_data_config
model = create_model('mobilenetv1_100', pretrained=False)
model.eval()
state_dict = load_file('model.safetensors')
model.load_state_dict(state_dict, strict=False)
model = model.to('npu:0')
img = Image.open('test.jpg').convert('RGB')
cfg = resolve_data_config({}, model=create_model('mobilenetv1_100', pretrained=False))
transform = create_transform(
input_size=224, is_training=False,
mean=cfg.get('mean'), std=cfg.get('std'),
interpolation='bicubic')
input_tensor = transform(img).unsqueeze(0).to('npu:0')
with torch.no_grad():
output = model(input_tensor)
probs = torch.nn.functional.softmax(output[0].cpu(), dim=0)
top5 = torch.topk(probs, k=5)
for i in range(5):
print(f'Top {i+1}: class={top5.indices[i].item()}, prob={top5.values[i].item():.6f}')推理结果
NPU 推理输出
NPU 推理成功完成，Top-5 分类结果如下：
CPU 与 NPU 推理结果对比
CPU 推理耗时: 0.0399s NPU 推理耗时: 0.0031s 性能加速比: 12.86x
| 指标 | 值 |
|---|---|
| CPU Top-1 类别 | 22 |
| NPU Top-1 类别 | 22 |
| Top-1 匹配 | 是 |
| Top-5 重叠 | 5/5 |
| 余弦相似度 | 0.99999958 |
| 最大概率差异 | 0.0993% |
| Top-1 概率相对误差 | 0.192297% |
精度测试结论
NPU与CPU推理结果误差为0.0993%,符合精度误差小于1%的要求
NPU 与 CPU 的 Top-1 预测类别完全相同，Top-5 类别完全重叠，余弦相似度接近 1.0， 表明 NPU 推理结果与 CPU 推理结果高度一致。
模型标签
#+NPU #+CV #+图像分类 #+昇腾 #+Ascend910 #+timm #+PyTorch