PASS ViT-B/16 行人重识别模型 — 昇腾 NPU 适配部署文档

modelscope download --model iic/cv_passvitb_image-reid-person_market \
    --local_dir /path/to/cv_passvitb_image-reid-person_market

cd /path/to/cv_passvitb_image-reid-person_market/deploy
python3 inference.py

# 仅 CPU 推理
python3 inference.py --device cpu

# 仅 NPU 推理
python3 inference.py --device npu

# 指定输入图片
python3 inference.py --image /path/to/your_image.jpg

python3 inference.py --compare --benchmark --num_iterations 20

python3 evaluate.py --num_iterations 10

[INFO] NPU 可用: Ascend910_9362
[INFO] 推理设备: npu
[INFO] 输入图片: /opt/atomgit/models/cv_passvitb_image-reid-person_market/assets/person.jpg
[INFO] 图像尺寸: (226, 549), 张量形状: torch.Size([1, 3, 384, 128])

============================================================
[STEP 1] CPU 推理
============================================================
[INFO] 成功加载权重: pytorch_model.pt
[CPU] 特征维度: (1, 1536)
[CPU] 特征前10维: [-1.2949181   2.676159   -1.2578393  -2.8446212   0.08427221  0.20044747
  1.7385232   1.4139287  -1.2215141  -1.7318852 ]
[CPU] 推理耗时: 622.81 ms

============================================================
[STEP 2] NPU 推理 (昇腾 Ascend)
============================================================
[INFO] 成功加载权重: pytorch_model.pt
[NPU] 特征维度: (1, 1536)
[NPU] 特征前10维: [-1.2907281   2.6796868  -1.263737   -2.8480542   0.07990438  0.20109764
  1.7428687   1.4128637  -1.22219    -1.733107  ]
[NPU] 推理耗时: 187.30 ms

============================================================
[STEP 3] CPU / NPU 精度对比
============================================================
特征维度:       1536
余弦相似度:     0.99999684
最大绝对误差:   2.92e-02
平均绝对误差:   4.37e-03
最大相对误差:   1.28e+00
平均相对误差:   1.21e-02
allclose(1e-5): ❌ 未通过
allclose(1e-3): ❌ 未通过

✅ 精度验证通过: CPU/NPU 余弦相似度 > 0.9999

============================================================
[STEP 4] 相似度计算演示
============================================================
同一图片余弦相似度(CPU): 0.99999988 (期望 ≈1.0)

============================================================
[STEP 5] 性能基准测试
============================================================
预热 5 次 + 正式测试 20 次
[CPU] 平均推理耗时: 583.31 ± 7.37 ms (20次)
[NPU] 平均推理耗时: 6.10 ± 0.12 ms (20次)
[加速比] CPU/NPU = 95.55x

✅ 推理完成!

cv_passvitb_image-reid-person_market/
├── pytorch_model.pt              # 模型权重 (341MB)
├── configuration.json            # 模型配置
├── README.md                     # 原始模型说明
├── assets/
│   ├── person.jpg                # 示例测试图片
│   └── PASS_overview.jpg         # PASS 方法流程图
├── deploy/
│   ├── inference.py              # 推理脚本 (CPU/NPU 对比)
│   ├── evaluate.py               # 精度/性能评测脚本
│   └── README.md                 # 本文档
├── run_inference.log             # 实际运行日志 (证据)
├── inference_result.json         # 推理结果 (JSON)
├── evaluation_report.json        # 评测报告 (JSON)
├── evaluation_report.txt         # 评测报告 (文本)
├── cpu_embedding.npy             # CPU 推理特征向量
└── npu_embedding.npy             # NPU 推理特征向量

npu-smi info
python3 -c "import torch; import torch_npu; print(torch.npu.is_available())"

modelscope download --model iic/cv_passvitb_image-reid-person_market \
    --local_dir ./cv_passvitb_image-reid-person_market

cd cv_passvitb_image-reid-person_market/deploy
python3 inference.py --compare --benchmark --num_iterations 20

cat ../inference_result.json

@article{zhu2022part,
  title={PASS: Part-Aware Self-Supervised Pre-Training for Person Re-Identification},
  author={Zhu, Kuan and Guo, Haiyun and Yan, Tianyi and Zhu, Yousong and Wang, Jinqiao and Tang, Ming},
  journal={arXiv preprint arXiv:2203.03931},
  year={2022}
}