prithivMLmods/open-age-detection 昇腾 NPU 适配

1. 模型信息

• 模型名称：prithivMLmods/open-age-detection
• 模型来源：Hugging Face / Transformers
• 模型类型：图像多分类模型
• 任务类型：人物年龄段识别 / 年龄段分类
• 输出类别数：5
• 标签类别：Child 0-12、Teenager 13-20、Adult 21-44、Middle Age 45-64、Aged 65+
• 推理框架：PyTorch + Transformers + torch-npu
• 运行设备：Ascend NPU
• 适配目标：完成 prithivMLmods/open-age-detection 模型在昇腾 NPU 环境下的年龄段图像分类推理验证，并与 CPU 推理结果进行误差对比。

本项目面向昇腾 Model-Agent 模型适配大赛赛道一，完成 prithivMLmods/open-age-detection 年龄段图像分类模型在 Ascend NPU 环境下的适配验证。项目基于 PyTorch、Transformers 和 torch-npu，实现模型加载、测试图片生成、CPU 推理、NPU 推理、分类输出、CPU/NPU 输出一致性对比以及验证材料整理。

2. 项目说明

prithivMLmods/open-age-detection 是 Hugging Face 上的年龄段图像分类模型，用于根据输入人物图像估计年龄组。模型输出 5 个年龄段类别，分别为 Child 0-12、Teenager 13-20、Adult 21-44、Middle Age 45-64、Aged 65+。

本项目使用固定测试图片 test.jpg 作为输入，分别在 CPU 与 Ascend NPU 上执行推理，并比较两端输出 logits 与 probability 是否一致。

本次适配内容包括：

1. 在 Ascend NPU Notebook 环境中安装依赖；
2. 从 Hugging Face 下载并加载 prithivMLmods/open-age-detection 模型；
3. 构造测试图片 test.jpg；
4. 分别执行 CPU 与 NPU 年龄段分类推理；
5. 保存 CPU/NPU 的 logits、probability 和 Top-5 分类结果；
6. 对 CPU 与 NPU 输出进行误差对比；
7. 保存日志、截图和适配报告，用于赛道一模型适配验证提交。

3. 工程结构

.
├── README.md
├── adaptation_report.md
├── download_model.sh
├── make_test_image.py
├── inference.py
├── compare_cpu_npu.py
├── requirements.txt
├── test.jpg
├── cpu_result.json
├── cpu_result.txt
├── cpu_infer.log
├── npu_result.json
├── npu_result.txt
├── npu_infer.log
├── compare_result.txt
├── fusion_result.json
├── run.log
└── screenshots/
    ├── npu_env.png
    ├── npu_result.png
    └── compare_result.png

其中：

• README.md：项目说明文档；
• adaptation_report.md：Ascend NPU 适配报告；
• download_model.sh：模型下载脚本；
• make_test_image.py：测试图片生成脚本；
• inference.py：CPU/NPU 推理脚本；
• compare_cpu_npu.py：CPU/NPU 输出误差对比脚本；
• requirements.txt：Python 依赖文件；
• test.jpg：测试图片；
• cpu_result.json：CPU 推理结构化结果；
• cpu_result.txt：CPU 推理日志；
• cpu_infer.log：CPU 推理补充日志；
• npu_result.json：NPU 推理结构化结果；
• npu_result.txt：NPU 推理日志；
• npu_infer.log：NPU 推理补充日志；
• compare_result.txt：CPU/NPU 对比文本结果；
• fusion_result.json：汇总结果文件；
• run.log：完整运行日志；
• screenshots/：验证截图材料。

4. 环境检查

在 Ascend NPU Notebook 中执行以下命令检查运行环境：

npu-smi info
python --version
python - <<'PY'
import torch
print("torch:", torch.__version__)

try:
    import torch_npu
    print("torch_npu import success")
    print("npu available:", torch.npu.is_available())
except Exception as e:
    print("torch_npu import failed:", repr(e))
PY

环境检查截图保存为：

screenshots/npu_env.png

该截图用于证明当前运行环境存在 Ascend NPU，并记录 NPU 型号、运行状态和 Python 版本信息。

5. 模型下载

运行：

bash download_model.sh

模型来源为 Hugging Face：

prithivMLmods/open-age-detection

模型文件下载完成后，推理脚本会加载模型并执行 CPU/NPU 前向推理。

6. 测试输入

本项目使用测试图片：

test.jpg

推理流程包括：

1. 读取测试图片；
2. 使用模型对应的图像预处理流程；
3. 构造输入张量；
4. 输入 prithivMLmods/open-age-detection 年龄段分类模型；
5. 输出 5 维分类 logits；
6. 计算 softmax probability；
7. 输出 Top-5 分类结果。

输入张量形状为：

[1, 3, 224, 224]

7. CPU 推理

运行：

python inference.py --device cpu --image test.jpg --output cpu_result.json 2>&1 | tee cpu_result.txt

CPU 推理输出文件：

cpu_result.json
cpu_result.txt
cpu_infer.log

CPU 推理日志摘要如下：

model: prithivMLmods/open-age-detection
device: cpu
image: test.jpg
input_shape: [1, 3, 224, 224]
output_shape: [1, 5]
elapsed_seconds: 2.210237
num_labels: 5
prediction: class_id=2, label=Adult 21-44, prob=0.39242312, logit=1.46203494

CPU Top-5 输出如下：

rank 1: class_id=2, label=Adult 21-44, logit=1.46203494, prob=0.39242312
rank 2: class_id=0, label=Child 0-12, logit=1.20922554, prob=0.30476201
rank 3: class_id=3, label=Middle Age 45-64, logit=0.69469684, prob=0.18218133
rank 4: class_id=1, label=Teenager 13-20, logit=0.10532619, prob=0.10105167
rank 5: class_id=4, label=Aged 65+, logit=-1.53570437, prob=0.01958182

CPU logits 统计信息如下：

min: -1.53570437
max: 1.46203494
mean: 0.38711581
std: 1.06794798

8. NPU 推理

运行：

python inference.py --device npu --image test.jpg --output npu_result.json 2>&1 | tee npu_result.txt

NPU 推理输出文件：

npu_result.json
npu_result.txt
npu_infer.log

NPU 推理日志摘要如下：

model: prithivMLmods/open-age-detection
device: npu
image: test.jpg
input_shape: [1, 3, 224, 224]
output_shape: [1, 5]
elapsed_seconds: 13.692967
num_labels: 5
prediction: class_id=2, label=Adult 21-44, prob=0.39268222, logit=1.46300626

NPU Top-5 输出如下：

rank 1: class_id=2, label=Adult 21-44, logit=1.46300626, prob=0.39268222
rank 2: class_id=0, label=Child 0-12, logit=1.20915020, prob=0.30464423
rank 3: class_id=3, label=Middle Age 45-64, logit=0.69433546, prob=0.18205884
rank 4: class_id=1, label=Teenager 13-20, logit=0.10564665, prob=0.10105259
rank 5: class_id=4, label=Aged 65+, logit=-1.53639579, prob=0.01956219

NPU logits 统计信息如下：

min: -1.53639579
max: 1.46300626
mean: 0.38714853
std: 1.06834328

NPU 推理结果截图保存为：

screenshots/npu_result.png

9. CPU/NPU 误差对比

运行：

python compare_cpu_npu.py --cpu cpu_result.json --npu npu_result.json 2>&1 | tee compare_result.txt

对比脚本会读取 CPU 与 NPU 的 logits 和 probability 输出，并计算：

• CPU/NPU 输出形状；
• CPU 预测类别；
• NPU 预测类别；
• CPU/NPU 预测标签是否一致；
• CPU Top-5；
• NPU Top-5；
• CPU/NPU Top-1 是否一致；
• CPU/NPU Top-5 顺序是否一致；
• Top-5 重合数量；
• logits 最大绝对误差；
• logits 平均绝对误差；
• RMSE；
• logits 最大相对误差；
• logits 平均相对误差；
• logits 余弦相似度；
• probability 最大绝对误差；
• probability 平均绝对误差；
• 是否通过验证。

对比结果保存为：

compare_result.txt

10. 自验证结果

本次 prithivMLmods/open-age-detection 适配验证的 CPU/NPU 误差结果如下：

对应的 compare_result.txt 内容如下：

CPU/NPU comparison result
==================================================
model: prithivMLmods/open-age-detection
cpu_result: cpu_result.json
npu_result: npu_result.json

cpu_output_shape: (5,)
npu_output_shape: (5,)

cpu_prediction: {'class_id': 2, 'label': 'Adult 21-44', 'prob': 0.3924231231212616, 'logit': 1.4620349407196045}
npu_prediction: {'class_id': 2, 'label': 'Adult 21-44', 'prob': 0.3926822245121002, 'logit': 1.4630062580108643}
same_pred_label: True

cpu_top5: [2, 0, 3, 1, 4]
npu_top5: [2, 0, 3, 1, 4]
same_top1: True
same_top_order: True
top_overlap: 5/5

max_abs_error: 0.0009713173
mean_abs_error: 0.0004839823
rmse: 0.0005762772
max_relative_error: 0.0006324898
mean_relative_error: 0.0004833068
cosine_similarity: 0.9999999281

max_prob_abs_error: 0.0002591014
mean_prob_abs_error: 0.0001039833

passed: True

根据上述结果，CPU 与 NPU 的预测标签均为 Adult 21-44，Top-5 顺序完全一致，Top-5 重合数量为 5/5。logits 最大绝对误差为 0.0009713173，probability 最大绝对误差为 0.0002591014，logits 余弦相似度达到 0.9999999281，验证结果为 passed: True。因此，本次 prithivMLmods/open-age-detection 昇腾 NPU 推理验证通过。

11. 验证截图材料

11.1 NPU 环境截图

该截图展示 Ascend NPU Notebook 环境、npu-smi info 输出和 Python 版本信息。

11.2 NPU 推理结果截图

该截图展示 NPU 推理日志，包括模型名称、运行设备、输入图片、输入张量形状、输出张量形状、预测类别和 Top-5 分类结果。

11.3 CPU/NPU 误差对比截图

该截图展示 CPU/NPU 输出误差对比结果，包括预测标签一致性、Top-5 一致性、最大绝对误差、平均绝对误差、RMSE、相对误差和余弦相似度。

12. 运行日志与提交材料

本项目提交材料包括：

• README.md
• adaptation_report.md
• download_model.sh
• make_test_image.py
• inference.py
• compare_cpu_npu.py
• requirements.txt
• test.jpg
• cpu_result.json
• cpu_result.txt
• cpu_infer.log
• npu_result.json
• npu_result.txt
• npu_infer.log
• compare_result.txt
• fusion_result.json
• run.log
• screenshots/npu_env.png
• screenshots/npu_result.png
• screenshots/compare_result.png

完整运行日志可查看：

run.log

CPU 推理日志可查看：

cpu_result.txt
cpu_infer.log

NPU 推理日志可查看：

npu_result.txt
npu_infer.log

CPU/NPU 误差对比结果可查看：

compare_result.txt

适配报告可查看：

adaptation_report.md

13. 适配说明

本项目的适配工作包括：

1. 在 Ascend NPU 环境中完成依赖安装；
2. 编写 Hugging Face / Transformers 模型下载脚本；
3. 加载 prithivMLmods/open-age-detection 模型；
4. 编写测试图片生成脚本；
5. 编写 CPU/NPU 统一推理脚本；
6. 支持测试图片输入和模型图像预处理；
7. 保存 CPU 与 NPU 的结构化分类结果；
8. 编写 CPU/NPU logits 和 probability 误差对比脚本；
9. 计算预测标签一致性、Top-5 顺序一致性、最大绝对误差、平均绝对误差、RMSE、相对误差和余弦相似度；
10. 输出完整日志、截图和适配报告。

14. 结论

本项目完成了 prithivMLmods/open-age-detection 模型在 Ascend NPU 环境下的年龄段图像分类推理适配验证。

验证结果表明，NPU 推理能够正常完成模型加载、图像预处理和 5 类年龄段分类输出。CPU 与 NPU 的预测标签均为 Adult 21-44，Top-5 顺序完全一致，logits 最大绝对误差为 0.0009713173，probability 最大绝对误差为 0.0002591014，logits 余弦相似度达到 0.9999999281，并通过验证。本项目可作为赛道一模型适配提交材料。