g
gyccc/timm-dpn68.mx_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/dpn68.mx_in1k on Ascend NPU

1. 简介

将 timm 图片分类模型 timm/dpn68.mx_in1k 适配为可在单卡昇腾 NPU（Ascend910B）上运行的提交工程。

DPN-68（Dual Path Network）是一种高效的卷积神经网络架构，通过结合 DenseNet 和 ResNet 的优点来提升特征复用效率。本项目使用 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

  • 硬件：Ascend910B NPU（单卡）
  • 软件：CANN 8.5.1, PyTorch + torch_npu
  • Python 依赖见 requirements.txt

3. 推理运行

python inference.py

推理结果（Top-5）：

  1. class_759: 0.913188
  2. class_732: 0.077848
  3. class_622: 0.001932
  4. class_686: 0.001719
  5. class_745: 0.001398
  • 输出 shape：torch.Size([1, 1000])
  • 缺失权重键：0
  • 多余权重键：0

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

指标数值
max_abs_error0.019123
mean_abs_error0.003676
relative_error0.2390%
cosine_similarity0.999997
threshold1.0%
结果PASS
  • CPU Top-1: class_759
  • NPU Top-1: class_759
  • CPU Top-5: class_759, class_732, class_622, class_686, class_745
  • NPU Top-5: class_759, class_732, class_622, class_686, class_745
  • Top-1 match: True
  • Top-5 match: True

5. 性能参考

指标数值
avg_latency_ms9.575
min_latency_ms9.381
max_latency_ms9.707
p50_ms9.584
p90_ms9.706
p95_ms9.707
images_per_sec104.43

测试条件：warmup 2 次 + 正式 10 次，每次前后调用 torch.npu.synchronize()。

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。

8. 日志文件

  • logs/inference.log：推理结果
  • logs/accuracy.log：精度一致性验证
  • logs/benchmark.log：性能基准测试
  • logs/env_check.log：环境检查

9. 注意事项

  • 本项目仅在单卡 Ascend910B 上验证通过
  • 使用 ModelScope snapshot_download 下载权重，不依赖 HuggingFace 直连
  • 权重文件不提交至 Git 仓库

10. 标签

#NPU #Ascend #DPN #ImageClassification #timm