timm/convnextv2_base.fcmae_ft_in22k_in1k_384 on Ascend NPU

1. 简介

将 timm ConvNeXtV2-Base（FCMAE 预训练，ImageNet-22K 微调，输入分辨率 384x384）适配到华为昇腾 NPU (Ascend910)。使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 加载本地权重。

2. 验证环境

设备：Ascend910_9362
PyTorch + torch_npu
timm 1.0.27

3. 推理运行

# 安装依赖
pip install -r requirements.txt

# 推理测试
python inference.py

推理日志：logs/inference.log

Top-5 预测结果（测试图片）：

Top-1: class_680 (0.0054)
Top-2: class_700 (0.0045)
Top-3: class_861 (0.0044)
Top-4: class_549 (0.0040)
Top-5: class_838 (0.0038)

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_error	0.003996
mean_abs_error	0.000899
relative_error	0.2071%
cosine_similarity	0.999998
threshold	1.0%
结果	PASS

CPU Top-1: class_680
NPU Top-1: class_680
CPU Top-5: class_680, class_700, class_861, class_549, class_838
NPU Top-5: class_680, class_700, class_861, class_549, class_838
Top-1 match: True
Top-5 match: True

5. 性能参考

指标	数值
avg_latency	17.64 ms
min_latency	16.35 ms
max_latency	18.17 ms
p50_latency	17.90 ms
p90_latency	18.12 ms
p95_latency	18.14 ms
throughput	56.70 images/sec

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
logs/accuracy.log - 精度验证结果
logs/benchmark.log - 性能基准测试结果

9. 注意事项

该模型使用 384x384 输入分辨率
预处理通过 timm.data.resolve_model_data_config + timm.data.create_transform 自动生成
权重通过 ModelScope snapshot_download 下载，不使用 HuggingFace 直连

10. 标签

#NPU