timm/edgenext_x_small.in1k on Ascend NPU

1. 简介

本项目将 timm/edgenext_x_small.in1k 适配到华为昇腾 NPU (Ascend910) 上运行。该模型是 EdgeNeXt-X-Small 架构的图像分类模型，在 ImageNet-1k 上训练，参数量仅 2.34M，适合边缘部署场景。

模型架构: EdgeNeXt-X-Small
参数量: ~2.34M
输入尺寸: 3x256x256 (timm 自动解析)
输出维度: 1000-class logits (ImageNet-1k)
权重格式: safetensors

2. 验证环境

项目	版本/型号
NPU	Ascend910 (x2)
CANN	8.5.1
torch	2.9.0+cpu
torch_npu	2.9.0
timm	1.0.27
Python	3.11.14

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):

Input shape: [1, 3, 256, 256]
Output shape: [1, 1000]
Output logits sample: [-0.2183, -0.7739, -0.9446, -0.3749, -1.3589]

Top-5 predictions:
  1. class=813, prob=0.0157
  2. class=499, prob=0.0107
  3. class=902, prob=0.0102
  4. class=623, prob=0.0095
  5. class=574, prob=0.0092

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：

指标	数值
max_abs_error	0.013972
mean_abs_error	0.003613
relative_error	0.4415%
cosine_similarity	0.999991
threshold	1.0%
结果	PASS

5. 性能参考

指标	数值
warmup_runs	2
benchmark_runs	10
avg_ms	7.164
min_ms	7.105
max_ms	7.238
p50_ms	7.155
p90_ms	7.238
p95_ms	7.238
throughput	139.59 img/s

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.txt 与 screenshots/self_verification.png。

8. 日志文件

logs/env_check.log - 环境检查
logs/inference.log - 推理输出
logs/accuracy.log - 精度一致性验证
logs/benchmark.log - 性能基准测试

9. 注意事项

权重通过 ModelScope snapshot_download 自动下载到本地缓存，运行时会自动复用已下载的权重。
模型使用 timm.create_model(..., pretrained=False) 创建后加载本地 safetensors 权重，避免 HuggingFace 自动下载。
推理时输入经过 timm 的 resolve_model_data_config + create_transform 进行标准化预处理。
NPU 上存在 double dtype 自动 cast 为 float 的 warning，不影响最终精度。

10. 标签

#NPU #Ascend #Ascend910 #timm #EdgeNeXt #ImageNet

1. 简介

模型架构: EdgeNeXt-X-Small

参数量: ~2.34M

输入尺寸: 3x256x256 (timm 自动解析)

输出维度: 1000-class logits (ImageNet-1k)

权重格式: safetensors

项目

版本/型号

NPU

Ascend910 (x2)

CANN

8.5.1

torch

2.9.0+cpu

torch_npu

2.9.0

timm

1.0.27

Python

3.11.14

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU):

Input shape: [1, 3, 256, 256]
Output shape: [1, 1000]
Output logits sample: [-0.2183, -0.7739, -0.9446, -0.3749, -1.3589]

Top-5 predictions:
  1. class=813, prob=0.0157
  2. class=499, prob=0.0107
  3. class=902, prob=0.0102
  4. class=623, prob=0.0095
  5. class=574, prob=0.0092

日志保存在 logs/inference.log。

指标

数值

max_abs_error

0.013972

mean_abs_error

0.003613

relative_error

0.4415%

cosine_similarity

0.999991

threshold

1.0%

结果

PASS

指标

数值

warmup_runs

benchmark_runs

avg_ms

7.164

min_ms

7.105

max_ms

7.238

p50_ms

7.155

p90_ms

7.238

p95_ms

7.238

throughput

139.59 img/s

9. 注意事项

权重通过 ModelScope snapshot_download 自动下载到本地缓存，运行时会自动复用已下载的权重。

模型使用 timm.create_model(..., pretrained=False) 创建后加载本地 safetensors 权重，避免 HuggingFace 自动下载。

推理时输入经过 timm 的 resolve_model_data_config + create_transform 进行标准化预处理。

NPU 上存在 double dtype 自动 cast 为 float 的 warning，不影响最终精度。