timm/darknet53.c2ns_in1k on Ascend NPU

1. 简介

本项目将 timm/darknet53.c2ns_in1k 图片分类模型适配到华为昇腾 NPU (Ascend910) 上运行。

• 模型来源：ModelScope (timm/darknet53.c2ns_in1k)
• 模型类型：图片分类 (Image Classification)
• 输入尺寸：256x256
• 输出类别：1000 (ImageNet-1k)
• 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: Ascend910_9362
• npu-smi: 25.5.2
• Python: 3.11
• PyTorch + torch_npu

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_974 (0.3731)
• Top-2: class_975 (0.0501)
• Top-3: class_657 (0.0468)
• Top-4: class_980 (0.0432)
• Top-5: class_472 (0.0248)

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_974
• Top-1 prob: 0.373068
• Top-5: class_974 (0.373068), class_975 (0.050091), class_657 (0.046759), class_980 (0.043193), class_472 (0.024766) 对单张测试图片进行 CPU 与 NPU 一致性验证：

5. 性能参考

python benchmark.py

6. 精度评测

本项目未在完整 ImageNet-1k 验证集上运行正式精度评测，仅提供单图 smoke 一致性验证。如需完整精度，请在 ImageNet-1k 上运行 timm 官方验证流程。

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/inference.log — 推理输出日志
• logs/accuracy.log — CPU-NPU 一致性对比
• logs/benchmark.log — 性能基准测试结果

9. 注意事项

• 严禁使用 timm.create_model(..., pretrained=True)，避免 HuggingFace 直连下载
• 权重文件（*.safetensors, *.bin, *.pth 等）未提交到仓库，运行时自动从 ModelScope 下载
• 本工程使用 model_utils.py 统一封装模型加载逻辑，避免各脚本重复实现

10. 标签

#NPU #Ascend #timm #ImageClassification