timm/deit3_small_patch16_384.fb_in22k_ft_in1k on Ascend NPU

1. 简介

本工程将 timm/deit3_small_patch16_384.fb_in22k_ft_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910B）上运行。

• 模型来源：ModelScope（timm/deit3_small_patch16_384.fb_in22k_ft_in1k）
• 模型类型：Image Classification（ImageNet-1k，1000 类）
• 输入分辨率：384×384
• 适配方式：timm.create_model(pretrained=False) + ModelScope snapshot_download 本地权重加载
• 预处理：timm.data.resolve_model_data_config + create_transform 自动生成

2. 验证环境

详细环境信息见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

• 使用 model_utils.py 统一加载模型和预处理
• 真实在 npu:0 上推理
• 输入 shape：[1, 3, 384, 384]
• 输出 shape：[1, 1000]

推理结果示例（Top-5）：

1. class_562: 0.1253
2. class_727: 0.0534
3. class_566: 0.0480
4. class_577: 0.0408
5. class_818: 0.0379

完整日志见 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

完整日志见 logs/benchmark.log。

6. 精度评测

本工程未在完整 ImageNet-1k 验证集上运行官方精度评测，仅提供单图 smoke consistency 验证作为参考。如需完整精度评测，请使用 ImageNet-1k val 数据集配合 timm 官方评估脚本。

7. 自验证截图

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

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，不使用 HuggingFace 直连下载。
2. 模型创建时使用 pretrained=False，再通过本地路径加载权重，避免自动下载。
3. 预处理使用 timm.data.resolve_model_data_config 自动解析模型对应的数据配置，无需手动设置 mean/std/interpolation。
4. 本仓库不包含模型权重文件（.bin / .safetensors / .pth 等已被 .gitignore 排除）。
5. 如需复现，请先执行 pip install -r requirements.txt，首次运行会自动下载权重到本地缓存。

10. 标签

#NPU #Ascend #timm #image-classification