Genius-Society/HEp2 on Ascend NPU

1. 简介

本项目将 ModelScope 上的 Genius-Society/HEp2（HEp-2 细胞图像分类模型）适配到单卡昇腾 NPU（Ascend910B）。该模型基于 AlexNet 深度卷积神经网络，对 6 类 HEp-2 细胞免疫荧光模式进行分类（Centromere、Golgi、Homogeneous、NuMem、Nucleolar、Speckled）。使用 ModelScope snapshot_download 下载 .pt 权重，并在 npu:0 上完成真实推理。

2. 验证环境

• 硬件：Ascend910B (Ascend910_9362)
• CANN：8.5.1
• PyTorch：2.x + torch_npu
• 芯片健康状态：OK

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

CPU Top-1: Nucleolar NPU Top-1: Nucleolar Top-1 match: True Top-5 match: True

5. 性能参考

日志保存在 logs/benchmark.log。

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非官方完整验证集评测。详细指标见第 4 节。

7. 自验证截图

见 screenshots/self_verification.txt。

8. 日志文件

• logs/env_check.log — NPU 环境检查
• logs/inference.log — NPU 推理 Top-5 结果
• logs/accuracy.log — CPU-NPU 精度一致性检查
• logs/benchmark.log — NPU 性能基准测试

9. 注意事项

• 权重文件（.pt）未提交到仓库，首次运行时会通过 ModelScope snapshot_download 自动下载到本地缓存目录。
• 测试图片 assets/test.jpg 为平滑渐变合成图，用于 smoke consistency 验证。
• 该模型使用修改版 AlexNet 分类器（在标准 1000 类输出后追加 Linear(1000, 6) 进行微调），因此直接加载完整模型对象而非标准 torchvision.models.alexnet。
• 若遇到 torch_npu 权限警告（/usr/local/Ascend/cann-8.5.1 owner mismatch），不影响推理和精度结果。

10. 标签

#NPU #Ascend #AlexNet #HEp2 #MedicalImageClassification #ModelScope