timm/convnext_base.fb_in22k_ft_in1k_384 on Ascend NPU

1. 简介

将 timm 框架的 ConvNeXt Base 模型适配到华为昇腾 NPU (Ascend910)。该模型在 ImageNet-22K 上预训练并微调至 ImageNet-1K，输入分辨率为 384x384。

2. 验证环境

• 硬件：华为昇腾 NPU (Ascend910)
• 操作系统：Linux
• Python：3.11
• PyTorch：2.x
• torch_npu：CANN 8.5.1

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_680 (0.0056)
• Top-2: class_700 (0.0052)
• Top-3: class_499 (0.0052)
• Top-4: class_549 (0.0051)
• Top-5: class_701 (0.0046)

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: class_680
• NPU Top-1: class_680
• CPU Top-5: class_680, class_499, class_700, class_549, class_701
• NPU Top-5: class_680, class_700, class_499, class_549, class_701
• Top-1 match: True
• Top-5 match: False

5. 性能参考

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

详见 screenshots/self_verification.png。

8. 日志文件

• logs/inference.log - 推理运行日志
• logs/accuracy.log - 精度验证日志
• logs/benchmark.log - 性能基准测试日志

9. 注意事项

• 输入分辨率固定为 384x384
• 使用 ModelScope snapshot_download 下载权重，避免 HuggingFace 自动下载
• 仅支持单卡推理，不支持多卡并行

10. 标签 #NPU