timm/convnext_nano.r384_in12k_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/convnext_nano.r384_in12k_ft_in1k 图片分类模型适配到华为昇腾 NPU (Ascend910)。

模型采用 ConvNeXt Nano 架构，输入尺寸 384x384，在 ImageNet-12k 上预训练并在 ImageNet-1k 上微调，输出 1000 类分类 logits。适配过程使用 timm.create_model(pretrained=False) 创建模型，通过 ModelScope snapshot_download 获取本地权重并加载，在昇腾 NPU 上完成推理验证、精度一致性检查和性能基准测试。

2. 验证环境

npu_available=True, device=Ascend910_9362

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_473 (0.005052)
• Top-2: class_701 (0.004725)
• Top-3: class_21 (0.004408)
• Top-4: class_902 (0.004047)
• Top-5: class_600 (0.003929)

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_473
• NPU Top-1: class_473
• CPU Top-5: class_473, class_701, class_21, class_902, class_600
• NPU Top-5: class_473, class_701, class_21, class_902, class_600
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试配置：单卡 Ascend910，batch_size=1，输入 3x384x384，预热 2 轮，正式测试 10 轮取平均。

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

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，严禁使用 timm.create_model(..., pretrained=True) 从 HuggingFace 自动下载。
• 推理脚本默认使用 npu:0，若环境只有单卡 NPU，会自动映射到可用设备。
• 首次运行需要下载模型权重（约 60MB），请确保网络可访问 modelscope.cn。

10. 标签

#NPU #Ascend #Ascend910 #timm #ConvNeXt #image-classification