prithivMLmods/Watermark-Detection-SigLIP2 on Ascend NPU

1. 简介

本项目将 prithivMLmods/Watermark-Detection-SigLIP2 模型适配到昇腾 NPU (Ascend910B) 上运行。

• 模型架构: SiglipForImageClassification
• 基模型: google/siglip2-base-patch16-224
• 任务类型: 二分类图像分类（水印检测）
• 类别: No Watermark / Watermark
• 输入尺寸: 224 x 224 RGB
• 框架: PyTorch + Transformers
• 权重来源: ModelScope snapshot_download 本地加载

2. 验证环境

NPU 健康状态: OK

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-2):

• Top-1: No Watermark (0.808327)
• Top-2: Watermark (0.191673)

完整推理日志 (logs/inference.log):

=== prithivMLmods/Watermark-Detection-SigLIP2 NPU Inference ===
Model: prithivMLmods/Watermark-Detection-SigLIP2
Loader type: transformers
Input shape: torch.Size([1, 3, 224, 224])
Output shape: torch.Size([1, 2])
Num classes: 2

NPU Top-2 Predictions:
  Top-1: No Watermark (0.808327)
  Top-2: Watermark (0.191673)

All class probabilities:
  class_0: 0.808327
  class_1: 0.191673

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: No Watermark
• NPU Top-1: No Watermark
• CPU Top-2: No Watermark, Watermark
• NPU Top-2: No Watermark, Watermark
• Top-1 match: True
• Top-2 match: True

5. 性能参考

测试配置: warmup 2 次 + 正式 10 次，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

见 screenshots/self_verification.png。

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，不提交到仓库。
2. 推理时使用 local_files_only=True 避免 HuggingFace 自动下载。
3. 测试图片为随机网络图片，实际性能可能因输入不同而略有差异。

10. 标签

#NPU #Ascend #Ascend910 #SigLIP #ImageClassification