facebook/regnet-y-640-seer-in1k on Ascend NPU

1. 简介

本文档记录了 facebook/regnet-y-640-seer-in1k 模型在华为昇腾 NPU (Ascend910) 上的适配过程和验证结果。

RegNet-Y-640-SEER 是 Meta (FAIR) 基于 RegNet 设计空间搜索得到的高效卷积神经网络，使用 SEER (self-supervised) 预训练方法在 Instagram 1B 图片上进行大规模自监督学习，然后在 ImageNet-1K 上微调。Y 变体使用 SE (Squeeze-and-Excitation) 模块。

2. 验证环境

• 硬件: 华为昇腾 910 NPU
• 软件: CANN 8.5.1, PyTorch 2.9.0, torch_npu
• 操作系统: Linux
• 模型来源: ModelScope (facebook/regnet-y-640-seer-in1k)
• 权重格式: safetensors
• 模型架构: RegNetForImageClassification
• 类别数: 1000 (ImageNet-1K)

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: boathouse (0.4764)
• Top-2: lakeside, lakeshore (0.2864)
• Top-3: pier (0.1515)
• Top-4: dock, dockage, docking facility (0.0228)
• Top-5: alp (0.0104)

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：

• CPU Top-1: boathouse
• NPU Top-1: boathouse
• Top-1 match: True

5. 性能参考

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

详见 screenshots/self_verification.png 和 screenshots/self_verification.txt。

8. 日志文件

• logs/env_check.log - NPU 环境检查
• logs/inference.log - 推理结果
• logs/accuracy.log - 精度验证
• logs/benchmark.log - 性能测试

9. 注意事项

1. 本适配使用 ModelScope snapshot_download 下载权重，避免直接从 HuggingFace 下载
2. 模型使用 transformers RegNetForImageClassification 加载
3. 精度验证采用单图 smoke test，非完整 ImageNet 验证集评测
4. NPU 推理结果与 CPU 结果高度一致，相对误差 < 1.0%

10. 标签

#NPU #Ascend #Ascend910 #RegNet #ImageClassification #facebook