timm/convnext_base.fb_in22k on Ascend NPU

1. 简介

本项目将 timm/convnext_base.fb_in22k 适配到昇腾 NPU (Ascend910) 上运行，支持单卡推理、CPU-NPU 精度一致性检查和性能基准测试。

• 模型类型：Image Classification
• 模型架构：ConvNeXt Base (Facebook AI, ImageNet-22k pretraining)
• 输出类别数：21841
• 输入尺寸：224x224

2. 验证环境

• NPU: Ascend910_9362
• npu-smi: 25.5.2
• Python: PyTorch + torch_npu
• 权重下载：ModelScope snapshot_download（主路径）

3. 推理运行

pip install -r requirements.txt
python inference.py

推理脚本使用 timm.create_model(pretrained=False) 创建模型结构，并通过 ModelScope 下载的本地权重进行加载，在 npu:0 上执行真实推理。

推理输出示例：

Model: timm/convnext_base.fb_in22k
Weights: /opt/atomgit/.cache/modelscope/hub/models/timm/convnext_base___fb_in22k/model.safetensors
Missing keys: 0, Unexpected keys: 0
Input shape: [1, 3, 224, 224]
Output shape: [1, 21841]
Top-5 predictions:
  1. class_6299: 0.096303
  2. class_10490: 0.087213
  3. class_10146: 0.082425
  4. class_4877: 0.055990
  5. class_5753: 0.036039

4. 精度验证

python eval_accuracy.py

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1 与 NPU Top-1 类别一致
• CPU Top-5 与 NPU Top-5 类别一致

5. 性能参考

python benchmark.py

6. 精度评测

本仓库仅提供单图 smoke consistency 验证，非 ImageNet 官方精度。官方 ImageNet-22k 预训练权重，ImageNet-1k fine-tune 后 Top-1 约 85.8%（参考 timm 官方文档）。

7. 自验证截图

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

8. 日志文件

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，不随仓库提交
• 严禁使用 timm.create_model(..., pretrained=True) 触发 HuggingFace 直连下载
• 推理预处理使用 timm.data.resolve_model_data_config + create_transform，与训练时保持一致
• 若 NPU 不可用，脚本将报错退出

10. 标签

#NPU