w
gcw_uQ09W7jl/timm-vgg19.tv_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/vgg19.tv_in1k on Ascend NPU

1. 简介

本项目将 ModelScope timm/vgg19.tv_in1k 模型适配到单卡昇腾 NPU (Ascend910) 上运行。

  • 模型架构: VGG19，属于 timm 图像分类模型
  • 输入尺寸: 1 x 3 x 224 x 224
  • 输出: 1000 类 ImageNet 分类 logits
  • 权重加载: ModelScope snapshot_download + 本地 safetensors 权重加载
  • 预处理: timm 标准 resolve_model_data_config + create_transform

2. 验证环境

项目版本/型号
NPUAscend910
CANN8.5.1
torch2.x
torch_npu与 CANN 匹配版本
timmlatest
modelscopelatest

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 ===
model: timm/vgg19.tv_in1k
input_shape: [1, 3, 224, 224]
output_shape: [1, 1000]

NPU Top-5 Predictions:
  Top-1: class_883 (0.165030)
  Top-2: class_943 (0.076639)
  Top-3: class_948 (0.064251)
  Top-4: class_738 (0.051736)
  Top-5: class_945 (0.051140)

weights_path: /opt/atomgit/.cache/modelscope/hub/models/timm/vgg19___tv_in1k/model.safetensors
missing_keys: 0, unexpected_keys: 0

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_error0.006112
mean_abs_error0.001084
relative_error0.0698%
cosine_similarity1.000000
threshold1.0%
结果PASS

CPU vs NPU Top-1/Top-5 完全一致。

5. 性能参考

在 Ascend910 NPU 单卡上测得（输入 1x3x224x224，预热 2 次，正式 10 次）：

指标数值
avg_latency_ms5.346
min_latency_ms5.279
max_latency_ms5.392
p50_latency_ms5.347
p90_latency_ms5.380
p95_latency_ms5.386
throughput_ips187.06

性能日志保存在 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

日志说明
logs/env_check.logNPU 环境检查
logs/inference.logNPU 推理输出
logs/accuracy.logCPU-NPU 精度一致性
logs/benchmark.logNPU 性能基准

9. 注意事项

  1. 禁止 HuggingFace 自动下载：权重通过 modelscope.snapshot_download 获取并本地加载。
  2. 不提交权重：.gitignore 已排除 *.bin, *.safetensors, *.pth, *.pt, *.ckpt, *.onnx。
  3. 首次运行会自动下载模型权重到本地缓存目录。

10. 标签

#NPU #Ascend #Ascend910 #timm #VGG #ImageNet