timm/convnext_large_mlp.clip_laion2b_augreg_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/convnext_large_mlp.clip_laion2b_augreg_ft_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910B）上运行。模型使用 timm.create_model(pretrained=False) 加载本地权重，通过 ModelScope snapshot_download 获取权重文件，避免了 HuggingFace 自动下载。输入尺寸为 256×256，输出 1000 类 ImageNet 分类 logits。

2. 验证环境

环境检查日志：logs/env_check.log

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_649 (0.340734)
• Top-2: class_672 (0.197299)
• Top-3: class_972 (0.053155)
• Top-4: class_757 (0.044385)
• Top-5: class_500 (0.031511)

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: class_649
• NPU Top-1: class_649
• CPU Top-5: class_649, class_672, class_972, class_757, class_500
• NPU Top-5: class_649, class_672, class_972, class_757, class_500
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试条件：batch=1，输入尺寸 256×256，预热 2 次，正式测试 10 次取平均。

性能日志：logs/benchmark.log

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非官方 ImageNet 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。

8. 日志文件

• logs/env_check.log — 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 — 性能基准测试

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，首次运行需要联网。
2. 模型输入尺寸为 256×256，预处理使用 timm.data.resolve_model_data_config + create_transform 自动配置。
3. 不提交权重文件（.gitignore 已排除）。
4. 如需在其他 NPU 设备上运行，请确保 torch_npu 已正确安装。

10. 标签

#NPU #Ascend #Ascend910 #timm #ConvNeXt