timm/wide_resnet50_2.tv_in1k on Ascend NPU

1. 简介

本项目将 timm/wide_resnet50_2.tv_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910)。使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 加载本地权重，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

2. 验证环境

NPU: Ascend910
CANN: 8.5.1
torch: 2.x
torch_npu: 适配 CANN 8.5.1
Python: 3.11

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

Top-1: class_978 (0.593366)
Top-2: class_718 (0.040293)
Top-3: class_972 (0.026543)
Top-4: class_976 (0.022475)
Top-5: class_405 (0.021343)

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：

指标	数值
max_abs_error	0.006029
mean_abs_error	0.001349
relative_error	0.0916%
cosine_similarity	1.000000
threshold	1.0%
结果	PASS

CPU Top-1: class_978
NPU Top-1: class_978
CPU Top-5: class_978, class_718, class_972, class_976, class_405
NPU Top-5: class_978, class_718, class_972, class_976, class_405
Top-1 match: True
Top-5 match: True

5. 性能参考

指标	数值
avg_latency_ms	6.647
min_latency_ms	6.598
max_latency_ms	6.699
p50_latency_ms	6.646
p90_latency_ms	6.699
p95_latency_ms	6.699
images_per_sec	150.45

日志保存在 logs/benchmark.log。

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

logs/env_check.log — NPU 环境检查
logs/inference.log — 推理结果
logs/accuracy.log — CPU-NPU 精度一致性
logs/benchmark.log — 性能基准测试

9. 注意事项

权重通过 ModelScope 下载，请勿将权重文件提交到 Git 仓库。
首次运行会自动下载模型权重，请确保网络畅通。
模型输入尺寸为 224x224。

10. 标签

#NPU