timm/tf_efficientnetv2_b3.in21k on Ascend NPU

1. 简介

本项目将 timm/tf_efficientnetv2_b3.in21k 图像分类模型适配到单卡昇腾 NPU（Ascend910）上运行。模型基于 EfficientNetV2-B3 架构，在 ImageNet-21k 上预训练，输出 21843 维分类 logits。

2. 验证环境

• NPU: Ascend910_9362
• CANN: 8.5.1
• Python: 3.11.14
• PyTorch: 2.9.0+cpu
• torch-npu: 可用

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_9106 (0.007198)
• Top-2: class_6255 (0.007154)
• Top-3: class_21652 (0.006395)
• Top-4: class_4668 (0.005527)
• Top-5: class_10814 (0.005040)

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: class_9106
• NPU Top-1: class_9106
• CPU Top-5: class_9106, class_6255, class_21652, class_4668, class_10814
• NPU Top-5: class_9106, class_6255, class_21652, class_4668, class_10814
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试条件：单卡 Ascend910，输入尺寸 [1, 3, 240, 240]，预热 2 次 + 正式 10 次。

6. 精度评测说明

本项目包含单输入 smoke consistency 验证，非官方 ImageNet-21k 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

1. 模型权重通过 ModelScope snapshot_download 下载，严禁使用 HuggingFace 自动下载。
2. 推理时 pretrained=False，通过本地 model.safetensors 加载权重。
3. 输入尺寸由 timm.data.resolve_model_data_config 自动解析为 240x240。
4. 测试图片为占位图（网络下载失败），实际部署时可替换为真实图片。

10. 标签

#NPU