timm/tf_efficientnet_lite2.in1k on Ascend NPU

1. 简介

本项目将 ModelScope 上的 timm/tf_efficientnet_lite2.in1k 图像分类模型适配到华为昇腾 NPU (Ascend910) 上运行。模型基于 EfficientNet 架构，输入尺寸为 260x260，输出 1000 类 ImageNet 分类概率。

• 原始模型地址：https://modelscope.cn/models/timm/tf_efficientnet_lite2.in1k
• 参数量：6,092,072
• 任务类型：图像分类

2. 验证环境

• NPU：Ascend910
• CANN：8.5.1
• PyTorch：2.x
• torch_npu：可用
• timm：1.0.27
• modelscope：1.35.3

环境检查日志见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU):

=== NPU Inference Result ===
Input shape: [1, 3, 260, 260]
Output shape: [1, 1000]
Top-5 predictions:
  1. class 978: 0.1030
  2. class 975: 0.0805
  3. class 538: 0.0475
  4. class 972: 0.0458
  5. class 668: 0.0428

Raw logits (first 10): [0.26419690251350403, -0.4944930374622345, -0.4740123748779297, -1.1688908338546753, -0.6446986794471741, -0.29545584321022034, -1.731345295906067, -0.727383553981781, -1.3421813249588013, -1.7245378494262695]

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：

5. 性能参考

在 Ascend910 NPU 上的单输入推理性能（输入尺寸 1x3x260x260）：

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 和 screenshots/self_verification.txt。

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，使用本地权重加载，不依赖 HuggingFace 自动下载。
2. 推理脚本使用 pretrained=False + load_state_dict 方式加载本地权重。
3. 请勿将权重文件（.bin, .safetensors, .pth 等）提交到 Git 仓库。
4. timm 数据预处理配置通过 timm.data.resolve_model_data_config 自动解析。

10. 标签

#NPU #Ascend #Ascend910 #timm #EfficientNet #图像分类