timm/convnext_xlarge.fb_in22k_ft_in1k on Ascend NPU

1. 简介

本工程将 timm/convnext_xlarge.fb_in22k_ft_in1k 图片分类模型适配为可在单卡昇腾 NPU (Ascend910) 上运行的提交工程。

• 原始模型: timm/convnext_xlarge.fb_in22k_ft_in1k
• 模型类型: ConvNeXt (ImageNet-1k 分类，1000 类)
• 参数量: 350,196,968
• 输入尺寸: 224x224
• 适配方式: ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 创建结构并加载本地权重

2. 验证环境

• NPU 设备: Ascend910_9362
• npu-smi 版本: 25.5.2
• PyTorch NPU: 可用
• 模型下载: ModelScope 官方仓库

环境详情见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

inference.py 使用 model_utils.py 加载模型，通过 timm.data.resolve_model_data_config 自动解析预处理配置，在 npu:0 上执行真实推理。Top-5 预测结果写入 logs/inference.log。

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

单卡 NPU batch_size=1 性能（预热 2 次 + 正式 10 次）：

结果写入 logs/benchmark.log。

6. 精度评测

注：本项目仅提供 smoke 一致性验证。若需官方 ImageNet-1k Top-1/Top-5 精度，请使用标准 eval 脚本在完整验证集上运行。

7. 自验证截图

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

8. 日志文件

• logs/env_check.log — NPU 环境信息
• logs/stage0.log — 模型可用性检查
• logs/inference.log — 推理结果
• logs/accuracy.log — CPU-NPU 精度一致性
• logs/benchmark.log — 性能基准测试

9. 注意事项

1. 权重通过 ModelScope snapshot_download 自动下载到本地缓存，首次运行需要联网。
2. 严禁使用 timm.create_model(..., pretrained=True) 触发 HuggingFace 直连下载。
3. 权重文件 (*.bin, *.safetensors, *.pth 等) 已加入 .gitignore，不提交到仓库。
4. 测试图片 assets/test.jpg 为占位图，实际使用时应替换为真实图片。

10. 标签

#NPU #Ascend #ImageClassification #ConvNeXt #timm