g
gyccc/timm-convnext_tiny.fb_in22k-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 on Ascend NPU

1. 简介

本项目将 timm/convnext_tiny.fb_in22k 适配到华为昇腾 NPU (Ascend910) 上进行图片分类推理。

  • 模型来源：ModelScope
  • 适配方式：ModelScope snapshot_download 下载本地权重，timm.create_model(pretrained=False) 创建模型结构并加载本地权重
  • 任务类型：image-classification
  • 分类数：21841（ImageNet-22k）

2. 验证环境

组件版本/型号
NPUAscend910
npu-smi25.5.2
torch可用
torch_npu可用

环境详情见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

  • Top-1: class_14247 (0.1802)
  • Top-2: class_14292 (0.1266)
  • Top-3: class_14404 (0.0529)
  • Top-4: class_14280 (0.0432)
  • Top-5: class_14122 (0.0426)

日志保存在 logs/inference.log。

4. 精度验证

python eval_accuracy.py

推理结果（单张测试图片）：

  • Top-1 class: class_14247
  • Top-1 prob: 0.1802
  • Top-5: class_14247 (0.1802), class_14292 (0.1266), class_14404 (0.0529), class_14280 (0.0432), class_14122 (0.0426) 对单张测试图片进行 CPU 与 NPU 一致性验证：
指标数值
max_abs_error0.025407
mean_abs_error0.003969
relative_error0.5709%
cosine_similarity0.999988
threshold1.0%
结果PASS

5. 性能参考

执行 python benchmark.py（预热 2 次 + 正式 10 次）：

指标数值
avg7.18 ms
min6.70 ms
max11.20 ms
p506.73 ms
p9011.20 ms
p9511.20 ms
throughput139.34 images/sec

6. 精度评测

本项目仅提供 smoke consistency 验证。完整 ImageNet 精度评测需使用标准验证集。

7. 自验证截图

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

8. 日志文件

日志内容
logs/env_check.logNPU 环境信息
logs/inference.logNPU 推理输出与 Top-5 预测
logs/accuracy.logCPU-NPU 一致性对比
logs/benchmark.log性能基准测试结果

9. 注意事项

  1. 权重文件（.safetensors, .bin, .pth 等）不提交到仓库，运行时通过 ModelScope 自动下载
  2. 首次运行会下载约 170MB 权重到本地缓存
  3. 无 id2label 映射时使用 class_x 作为类别标识
  4. 确保昇腾驱动和 CANN 环境已正确安装

10. 标签

#NPU