timm/convnextv2_nano.fcmae_ft_in22k_in1k on Ascend NPU

1. 简介

本项目将 timm/convnextv2_nano.fcmae_ft_in22k_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）上运行。模型通过 ModelScope snapshot_download 下载权重，使用 timm.create_model(pretrained=False) 创建结构并加载本地权重，在 NPU 上完成真实推理验证、CPU-NPU 精度一致性检查和性能基准测试。

• 原始模型：timm/convnextv2_nano.fcmae_ft_in22k_in1k
• 模型类型：ConvNeXt V2 Nano
• 输入尺寸：224x224
• 输出类别数：1000（ImageNet-1k）

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

inference.py 会自动下载测试图片（或生成占位图），通过 model_utils.py 加载模型到 npu:0 执行推理，并输出 Top-5 预测结果到 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_970
• NPU Top-1: class_970
• CPU Top-5: class_970, class_979, class_802, class_795, class_537
• NPU Top-5: class_970, class_979, class_802, class_795, class_537
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试配置：warmup 2 次 + 正式 10 次，batch_size=1，device=npu:0

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 与 screenshots/self_verification.txt。

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，不使用 HuggingFace 直连，也不使用 timm.create_model(..., pretrained=True) 自动下载。
2. 模型权重文件（.safetensors / .bin / .pth 等）不包含在本仓库中，首次运行时会自动从 ModelScope 下载到本地缓存。
3. 本项目仅验证单卡 NPU 推理，未涉及多卡并行（TP/DP/EP）。
4. 测试图片为随机网络图片或占位灰度图，仅用于 smoke test，不代表真实分类任务性能。

10. 标签 #NPU

#NPU #Ascend #Ascend910 #HardwareNPU #timm #ConvNeXtV2 #image-classification