google/efficientnet-b5 on Ascend NPU

1. 简介

将 ModelScope 上的 google/efficientnet-b5 图片分类模型适配到华为昇腾 NPU (Ascend910B) 上运行。

• 原始权重地址：https://modelscope.cn/models/google/efficientnet-b5
• 模型架构：EfficientNetForImageClassification
• 输入尺寸：456x456
• 输出类别数：1000 (ImageNet-1K)

2. 验证环境

• 硬件：华为昇腾 910B NPU
• 操作系统：Linux (aarch64)
• Python：3.11
• PyTorch：2.x + torch_npu
• CANN：8.5.1
• transformers：4.57.6
• ModelScope：latest

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: steam locomotive (0.1513)
• Top-2: freight car (0.1135)
• Top-3: electric locomotive (0.1045)
• Top-4: passenger car, coach, carriage (0.0959)
• Top-5: lakeside, lakeshore (0.0592)

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: steam locomotive
• NPU Top-1: steam locomotive
• CPU Top-5: steam locomotive, freight car, electric locomotive, passenger car, coach, carriage, lakeside, lakeshore
• NPU Top-5: steam locomotive, freight car, electric locomotive, passenger car, coach, carriage, lakeside, lakeshore
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试条件：2 次预热 + 10 次正式测量，batch_size=1，单卡 NPU。

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

8. 日志文件

• logs/inference.log — NPU 推理结果
• logs/accuracy.log — CPU-NPU 精度一致性验证
• logs/benchmark.log — 性能基准测试

9. 注意事项

• 使用 ModelScope snapshot_download 下载权重，禁止 HuggingFace 自动下载
• 使用 EfficientNetForImageClassification.from_pretrained 加载预训练权重
• 推理使用 torch.npu.synchronize() 确保 NPU 计算完成
• 精度验证使用官方 Ascend 一致性指标：max_abs_error、mean_abs_error、relative_error、cosine_similarity

10. 标签 #NPU