google/efficientnet-b0 NPU 适配工程

模型介绍

EfficientNet-B0 是 Google 提出的 EfficientNet 系列中的基线模型，通过复合缩放（Compound Scaling）均衡地扩展网络的深度、宽度和分辨率，在 ImageNet 分类任务上取得了优异的精度-效率权衡。本工程将其适配到华为昇腾 NPU，使用 Transformers 和 torch_npu 完成图片分类推理。

• 模型名称：google/efficientnet-b0
• 模型链接：https://ai.gitcode.com/hf_mirrors/google/efficientnet-b0
• 任务类型：图片识别 / image-classification
• 运行方式：Transformers + torch_npu
• 硬件：单卡 Ascend NPU

硬件环境

软件环境

依赖安装

pip install -r requirements.txt

注意：如果环境中已安装 torch 和 torch_npu，请勿强制覆盖，以免破坏现有 CANN 兼容性。

模型权重来源

模型权重通过 Hugging Face Transformers 自动下载。若无法直连 Hugging Face，脚本已内置环境变量：

os.environ.setdefault("HF_ENDPOINT", "https://hf-mirror.com")

运行时将从 hf-mirror.com 镜像站下载 google/efficientnet-b0 的 processor 和 model 权重。

NPU 推理运行命令

inference.py —— 单张图片推理

python inference.py

功能说明：

• 加载 google/efficientnet-b0 的 image processor 和 classification model
• 优先将模型部署到 npu:0
• 若 NPU 不可用，不会静默降级到 CPU，而是明确报错并退出
• 读取 assets/test.jpg，执行一次真实 NPU 推理
• 输出 Top-5 分类结果
• 完整日志保存到 logs/inference.log
• 预测标签和置信度保存到 logs/prediction.txt

实际运行结果（占位图）：

注意：assets/test.jpg 为本地生成的占位图（224x224 随机 RGB），由于图片内容无实际语义，分类结果为随机分布。如需真实分类效果，请替换为真实图片。

eval_accuracy.py —— 精度验证

python eval_accuracy.py

功能说明：

• 使用同一张 assets/test.jpg
• 固定预处理流程
• 分别在 CPU 和 NPU 上运行同一模型
• 对比 CPU logits 与 NPU logits
• 计算 max_abs_diff、mean_abs_diff、prob_max_diff、top1_match
• 判断概率误差是否小于 1%
• 结果保存到 logs/accuracy.log

实际运行结果：

结论：概率差异小于 1% 且 Top-1 一致，NPU 推理精度与 CPU baseline 对齐。logits 存在微小差异属于 CPU/NPU 浮点实现差异的正常范围。

benchmark.py —— 性能测试

python benchmark.py

功能说明：

• 使用 google/efficientnet-b0 和 assets/test.jpg
• NPU 预热 5 次
• 正式测试 20 次
• 统计平均/最小/最大推理延迟
• 计算 images/s
• 结果保存到 logs/benchmark.log

实际运行结果：

日志文件说明

常见问题

Q1：模型下载失败或连接超时？ A：脚本已设置 HF_ENDPOINT=https://hf-mirror.com。如需使用其他镜像，可修改脚本中的环境变量或在外部设置 export HF_ENDPOINT=https://your-mirror.com。

Q2：NPU 不可用？ A：请检查 npu-smi info 输出是否正常，确认 Ascend 驱动和 CANN 环境变量（如 ASCEND_HOME_PATH）已正确配置。

Q3：测试图片是随机图，预测结果没有实际意义？ A：正确。由于当前环境无法联网下载真实图片，assets/test.jpg 是本地生成的占位图。请替换为真实图片以获得有意义的分类结果。

Q4：是否使用了 vLLM / TP / EP / DP / MoE？ A：本工程为图片分类任务，未使用 vLLM，也未使用 TP、EP、DP、MoE 等分布式优化。

标签

#NPU #Ascend #EfficientNet #ImageClassification #Transformers #torch_npu