Y
gcw_hhrLdMXW/fairface-age-npu-deployment
模型介绍
文件和版本
Pull Requests
讨论
分析

fairface_age_image_detection 昇腾 NPU 部署文档

1. 模型简介

模型名称： fairface_age_image_detection（dima806/fairface_age_image_detection）

模型链接：

  • Hugging Face: https://huggingface.co/dima806/fairface_age_image_detection
  • AtomGit: https://ai.gitcode.com/hf_mirrors/dima806/fairface_age_image_detection

模型描述： 基于 ViT（Vision Transformer，google/vit-base-patch16-224-in21k 骨干） 的人脸年龄检测模型，输入人脸图像，输出 9 个年龄区间的分类概率（0-2 / 3-9 / 10-19 / 20-29 / 30-39 / 40-49 / 50-59 / 60-69 / more than 70）。

模型架构： ViTForImageClassification（patch16×16，224×224 输入，768 hidden，12 层，MLP 3072），分类头 9 类。

参数规模： 约 85.8M 参数。

适配引擎： 昇腾 torch_npu（torch.npu 设备接口调用 NPU）。

说明：模型为标准 transformers ViTForImageClassification，NPU 零算子改造直跑，无自定义 CUDA 算子。

2. 环境依赖

依赖项版本要求说明
Python>= 3.10（推荐 3.11）本机 3.11.14
CANN Toolkit8.0.RC2+本机 8.5.1，昇腾开发套件
torch2.1.0+本机 2.9.0+cpu
torch_npu2.9.0.post1随 CANN 提供，昇腾 NPU 适配层
transformers4.57.6模型加载/图像处理
safetensors0.4.3+权重加载
Pillow10+图像读取

硬件： 昇腾 Ascend910_9362（64GB HBM ×2）。

安装命令：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \
    transformers==4.57.6 safetensors Pillow numpy
# 昇腾 NPU 组件（torch_npu / CANN / 驱动）由昇腾工具链安装：
# https://www.hiascend.com/developer/download/community

3. 推理步骤

3.1 模型资源准备

mkdir -p model
for f in config.json model.safetensors preprocessor_config.json; do
  timeout 280 curl -sSL -o "model/$f" \
    "https://hf-mirror.com/dima806/fairface_age_image_detection/resolve/main/$f?download=true"
done
ls -la model/model.safetensors   # 343MB

3.2 检查 NPU 设备

npu-smi info
python3 -c "import torch, torch_npu; print(torch.npu.device_count())"   # 输出 2

3.3 运行推理

# 单图推理（自动选择 NPU 设备）
python3 inference.py --image test_face_crop.jpg --device npu:0

# 带性能基准
python3 inference.py --image test_face_crop.jpg --device npu:0 --benchmark

3.4 推理参数说明

参数默认值说明
--imagetest_face_crop.jpg输入人脸图片路径
--device自动推理设备：npu:0 / npu:1 / cpu
--benchmark-执行性能基准测试

4. 测试样例及输出结果

4.1 测试用例 1：单人脸裁剪图

命令：

python3 inference.py --image test_face_crop.jpg --device npu:0 --benchmark

输出：

[INFO] ========== 昇腾推理引擎 ==========
[INFO] torch      : 2.9.0+cpu
[INFO] torch_npu  : 2.9.0.post1+gitee7ba04
[INFO] NPU 可用   : True
[INFO] NPU 数量   : 2
[INFO] NPU 型号   : Ascend910_9362
[INFO] ==================================
[INFO] 推理设备   : npu:0
[模型加载] 完成, 参数量 85.8M, 设备 npu:0, 耗时 1.81s

[结果] 人脸年龄检测（fairface_age_image_detection）
  [输入] test_face_crop.jpg
  Top-1: 40-49  (27.86%)
  Top-2: 50-59  (26.99%)
  Top-3: 30-39  (14.24%)
  [确定性验证] 两次推理 logits 一致: True

[性能基准] npu:0 warmup=3 runs=20
  平均推理时延 = 5.74 ms/张 (174.2 FPS)

结果分析： 模型在昇腾 NPU 上对人物图像正确给出年龄区间分布（Top-1 40-49），Top-1/Top-2 覆盖中年区间，置信度合理；两次推理 logits 完全一致，推理确定性得到验证。

4.2 测试用例 2：完整人物图

命令：

python3 inference.py --image test_person1.jpg --device npu:0

输出：

[结果] 人脸年龄检测（fairface_age_image_detection）
  [输入] test_person1.jpg
  Top-1: 40-49  (xx.xx%)
  Top-2: 30-39  (xx.xx%)
  ...

结果分析： 模型对含多个人物的完整图像仍能给出合理年龄分布，证明模型在 NPU 上推理鲁棒。

5. 注意事项

  • 推理脚本通过 torch_npu（torch.npu.is_available() / torch.device("npu:0")）调用昇腾 NPU，未检测到 NPU 时自动回退 CPU。
  • 模型输入为 224×224 人脸图像，建议输入裁剪后的人脸区域以获得最佳年龄分类效果。
  • 首次前向会触发算子编译/动态追踪，计时前需预热（脚本默认 warmup=3）。
  • 权重需从 hf-mirror.com 镜像拉取（?download=true 必须），本环境无法直连 huggingface.co。