g
gyccc/timm-convnextv2_nano.fcmae_ft_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/convnextv2_nano.fcmae_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/convnextv2_nano.fcmae_ft_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）上运行。

  • 原始模型: timm/convnextv2_nano.fcmae_ft_in1k
  • 模型类型: ConvNeXt V2 Nano（ImageNet-1k 微调）
  • 输入尺寸: 224x224
  • 分类数: 1000
  • 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

项目版本/型号
NPUAscend910
npu-smi25.5.2
PyTorch NPU可用，设备 Ascend910_9362

详细环境信息见 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_414 (0.0958)
  • Top-2: class_608 (0.0649)
  • Top-3: class_830 (0.0487)
  • Top-4: class_466 (0.0348)
  • Top-5: class_670 (0.0334)

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_414
  • Top-1 prob: 0.095776
  • Top-5: class_414 (0.095776), class_608 (0.064907), class_830 (0.048741), class_466 (0.034828), class_670 (0.033395) 对单张测试图片进行 CPU 与 NPU 一致性验证：
指标数值
max_abs_error0.022975
mean_abs_error0.003080
relative_error0.4652%
cosine_similarity0.999990
threshold1.0%
结果PASS

5. 性能参考

python benchmark.py

在单卡 Ascend910 上，batch=1，输入 3x224x224：

指标数值
avg latency6.58 ms
min latency6.55 ms
max latency6.61 ms
p50 latency6.57 ms
p90 latency6.61 ms
p95 latency6.61 ms
吞吐量152.02 images/sec

6. 精度评测

本项目未在完整 ImageNet-1k 验证集上运行，仅提供 CPU-NPU 一致性 smoke 检查。如需完整精度评测，请在 ImageNet-1k val 上运行 eval_accuracy.py 的扩展版本。

7. 自验证截图

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

8. 日志文件

日志说明
logs/env_check.logNPU 环境检查
logs/inference.log推理结果
logs/accuracy.logCPU-NPU 一致性对比
logs/benchmark.log性能基准测试

9. 注意事项

  1. 权重通过 ModelScope 下载，运行时会自动缓存到 ~/.cache/modelscope/hub/。
  2. 首次运行需要下载约 60MB 权重文件。
  3. 模型不包含 id2label 映射，输出使用 class_x 格式。
  4. 未提交任何权重文件（*.bin / *.safetensors / *.pth / *.pt / *.ckpt / *.onnx）。

10. 标签

#NPU #Ascend #timm #ConvNeXt #image-classification