timm/convnext_base.fb_in1k on Ascend NPU

1. 简介

本项目将 timm/convnext_base.fb_in1k 图片分类模型适配到华为昇腾 NPU（Ascend910B），使其能够在单卡 NPU 上完成推理、精度验证和性能测试。

2. 验证环境

• 硬件：华为昇腾 Atlas 800 A2（Ascend910B）
• OS：Linux 5.10.0
• Python：3.x
• PyTorch + torch_npu
• timm
• modelscope
• safetensors

3. 推理运行

cd timm-convnext_base.fb_in1k-NPU
python inference.py

推理输出 [1, 1000] logits，Top-5 预测：

1. class_979 (0.9051)
2. class_970 (0.0463)
3. class_975 (0.0016)
4. class_972 (0.0015)
5. class_976 (0.0011)

NPU 推理成功，详见 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: class_979
• NPU Top-1: class_979
• CPU Top-5: 979, 970, 975, 972, 976
• NPU Top-5: 979, 970, 975, 972, 976
• Top-1 match: True
• Top-5 match: True

详见 logs/accuracy.log。

5. 性能参考

测试条件：预热 2 次 + 正式 10 次，batch=1，输入 224x224。详见 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/inference.log - 推理日志
• logs/accuracy.log - 精度验证日志
• logs/benchmark.log - 性能基准日志

9. 注意事项

• 本项目使用 ModelScope snapshot_download 下载权重，不使用 HuggingFace 直连下载
• 模型通过 timm.create_model(pretrained=False) 创建结构，手动加载本地权重
• 未提交任何模型权重文件（*.safetensors, *.bin 等）
• 适配仅针对单卡 NPU，未涉及分布式训练或推理

10. 标签

#NPU