Stefanieliang/cv_vit-base_image-classification_Dailylife-labels_flowers on Ascend NPU

1. 简介

本项目将 Stefanieliang/cv_vit-base_image-classification_Dailylife-labels_flowers 适配到昇腾 NPU (Ascend910B)。

该模型基于 DeiT-Base ViT 架构，在 flowers14 数据集上微调，用于 14 类花卉图像分类。由于原始模型使用 mmcls/mmpretrain 格式，为避免引入沉重的 mmpretrain 依赖，本项目在 model_utils.py 中实现了纯 PyTorch 的 MMClsVisionTransformer，并通过键名映射完成本地权重加载。

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU):

Top-1: class_8 (0.0715)
Top-2: class_6 (0.0715)
Top-3: class_1 (0.0715)
Top-4: class_0 (0.0715)
Top-5: class_5 (0.0715)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试输入进行 CPU 与 NPU 一致性验证：

CPU Top-1 == NPU Top-1: True (class_8) CPU Top-5 == NPU Top-5: True

5. 性能参考

日志保存在 logs/benchmark.log。

6. 精度评测说明

本项目包含单输入 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.png 与 screenshots/self_verification.txt。

8. 日志文件

• logs/env_check.log — NPU 环境检查
• 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. 注意事项

• 模型权重通过 ModelScope snapshot_download 下载到本地缓存，运行时会从本地路径加载，不会触发 HuggingFace 自动下载。
• 预处理流程：Resize(256) → CenterCrop(224) → ToTensor → ImageNet Normalize。
• 由于 flowers14 数据集未提供显式类别名称映射，推理脚本使用 class_0 ~ class_13 作为占位标签展示。

10. 标签

#NPU #Ascend #Ascend910 #ImageClassification #ViT #DeiT