Heathcliff02/Kaloscope-2.0 on Ascend NPU

1. 简介

本项目将 Kaloscope-2.0 艺术家风格分类模型 适配到单卡昇腾 NPU（Ascend910）上运行。

模型基于 LSNet-XL-448 架构，训练于 Danbooru 数据集（截至 2025 年 9 月），支持 39,261 个艺术家类别分类，参数量约 183M，Top-1 准确率达 90.13%。适配过程使用 ModelScope 本地权重加载。

2. 验证环境

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: toshi_(hokkaido2015) NPU Top-1: toshi_(hokkaido2015) Top-1 match: True

5. 性能参考

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/inference.log — NPU 推理结果
• logs/accuracy.log — CPU-NPU 精度一致性
• logs/benchmark.log — NPU 性能基准

9. 项目结构

.
├── model/                  # LSNet 模型定义源码
│   ├── lsnet.py
│   ├── lsnet_artist.py
│   └── ska.py
├── model_utils.py          # 模型加载与预处理
├── inference.py            # NPU 单图推理
├── eval_accuracy.py        # CPU-NPU 精度对比
├── benchmark.py            # NPU 性能测试
├── requirements.txt        # 依赖
├── assets/
│   └── test.jpg            # 测试图片
├── screenshots/
│   └── self_verification.txt
├── logs/                   # 运行日志（运行时生成）
└── README.md

10. 适配说明

• 模型定义来自 spawner1145/lsnet-test，已内嵌到本项目的 model/ 目录中，无需额外克隆。
• 权重加载使用 model_ema 状态字典（推理质量更优），并去除 module. 前缀。
• NPU 迁移后需重新调用 model.eval()，以在 NPU 上重新计算 attention bias cache，避免跨设备张量错误。
• 输入尺寸为 448x448，预处理使用 ImageNet 默认均值/标准差归一化。