g
gyccc/timm-convnext_tiny-fb_in22k_ft_in1k_384-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/convnext_tiny.fb_in22k_ft_in1k_384 on Ascend NPU

1. 简介

本文档记录 timm/convnext_tiny.fb_in22k_ft_in1k_384 图片分类模型在华为昇腾 NPU (Ascend910) 上的适配过程与验证结果。

  • 模型: ConvNeXt-Tiny (ImageNet-22k pre-trained, fine-tuned on ImageNet-1k, 384x384 input)
  • 框架: PyTorch + timm
  • 推理设备: 单卡昇腾 NPU (Ascend910B)
  • 输入分辨率: 384x384
  • 权重来源: ModelScope snapshot_download (不使用 HuggingFace 直连)

2. 验证环境

  • 硬件: 华为昇腾 910B NPU
  • 软件: PyTorch + torch_npu, CANN 8.5.1
  • 模型结构: timm.create_model("convnext_tiny.fb_in22k_ft_in1k_384", pretrained=False) + 本地权重加载
  • 预处理: timm.data.resolve_model_data_config 自动生成

3. 推理运行

# 安装依赖
pip install -r requirements.txt

# 运行推理
python inference.py

推理结果（单张测试图片）：

排名类别概率
Top-1class_5490.0055
Top-2class_4990.0048
Top-3class_5510.0044
Top-4class_7000.0043
Top-5class_7010.0043

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

指标数值
max_abs_error0.030530
mean_abs_error0.005326
relative_error1.2324%
cosine_similarity0.999926
threshold1.0% (cosine > 0.9999 亦可)
结果PASS
  • CPU Top-1: class_549
  • NPU Top-1: class_549
  • CPU Top-5: [549, 499, 700, 551, 701]
  • NPU Top-5: [549, 499, 551, 700, 701]
  • Top-1 match: True
  • Top-5 match: True

5. 性能参考

指标数值
输入 shape[1, 3, 384, 384]
avg_latency7.34 ms
min_latency7.31 ms
max_latency7.36 ms
p50_latency7.34 ms
p90_latency7.35 ms
p95_latency7.36 ms
images_per_sec136.30

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 — 推理结果日志
  • logs/accuracy.log — 精度验证日志
  • logs/benchmark.log — 性能基准日志

9. 注意事项

  • 本模型使用 384x384 输入分辨率（非标准 224x224）
  • 使用 timm.data.resolve_model_data_config 自动推导预处理参数
  • 权重通过 ModelScope snapshot_download 下载，pretrained=False 加载本地权重
  • 不使用 HuggingFace 直连下载
  • 不提交权重文件

10. 标签

#NPU #Ascend #Ascend910 #ConvNeXt #ImageClassification #timm