g
gyccc/timm-deit_tiny_distilled_patch16_224.fb_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/deit_tiny_distilled_patch16_224.fb_in1k on Ascend NPU

1. 简介

本工程将 timm/deit_tiny_distilled_patch16_224.fb_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910)。

  • 模型类型: Vision Transformer (DeiT Tiny Distilled)
  • 输入尺寸: 224x224
  • 输出类别: 1000 (ImageNet-1k)
  • 适配方式: ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 创建模型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
设备名Ascend910_9362

3. 推理运行

pip install -r requirements.txt
python inference.py

推理脚本使用 model_utils.py 统一加载模型，通过 timm.data.resolve_model_data_config 自动解析预处理参数，在 npu:0 上执行真实推理。

推理结果示例:

输入 shape: torch.Size([1, 3, 224, 224])
输出 shape: torch.Size([1, 1000])
Top-5 预测:
  class_978: 0.4575
  class_976: 0.2227
  class_972: 0.0433
  class_460: 0.0287
  class_974: 0.0260

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：

指标数值
max_abs_error0.023488
mean_abs_error0.005529
relative_error0.4294%
cosine_similarity0.999992
threshold1.0%
结果PASS
  • 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
指标数值
平均耗时5.74 ms
最小耗时5.59 ms
最大耗时5.86 ms
P50 耗时5.75 ms
P90 耗时5.81 ms
P95 耗时5.83 ms
吞吐量174.34 images/sec

6. 精度评测

本仓库仅提供 CPU-NPU smoke consistency 验证。完整 ImageNet-1k 精度评测需使用标准数据集另行计算。

7. 自验证截图

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

8. 日志文件

文件内容
logs/inference.logNPU 推理结果
logs/accuracy.logCPU-NPU 一致性对比
logs/benchmark.log性能基准测试
logs/env_check.logNPU 环境检查
logs/paths.txt模型与权重路径

9. 注意事项

  • 权重文件未提交到仓库，首次运行时会通过 ModelScope snapshot_download 自动下载到本地缓存。
  • 严禁使用 timm.create_model(..., pretrained=True) 进行 HuggingFace 直连下载。
  • 不 fallback，不提交权重。

10. 标签

#NPU