g
gyccc/timm-dpn98.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/dpn98.mx_in1k on Ascend NPU

1. 简介

本项目将 timm/dpn98.mx_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910) 上运行。

  • 模型来源: ModelScope - timm/dpn98.mx_in1k
  • 模型类型: 图片分类 (Image Classification)
  • 权重加载: ModelScope snapshot_download + timm.create_model(pretrained=False) 本地权重加载
  • 输入尺寸: 224x224
  • 输出类别: 1000 (ImageNet-1k)

2. 验证环境

项目版本/型号
NPUAscend910_9362
npu-smi25.5.2
PyTorch2.x
torch_npu可用

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

  • Top-1: class_888 (0.1403)
  • Top-2: class_996 (0.0530)
  • Top-3: class_979 (0.0223)
  • Top-4: class_240 (0.0214)
  • Top-5: class_671 (0.0206)

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_888
  • Top-1 prob: 0.1403
  • Top-5: class_888 (0.1403), class_996 (0.0530), class_979 (0.0223), class_240 (0.0214), class_671 (0.0206) 对单张测试图片进行 CPU 与 NPU 一致性验证：
指标数值
max_abs_error0.005667
mean_abs_error0.001014
relative_error0.0799%
cosine_similarity1.000000
threshold1.0%
结果PASS

5. 性能参考

python benchmark.py

结果 (10 iterations, batch=1, 224x224):

指标数值
avg12.42 ms
min12.16 ms
max12.68 ms
p5012.41 ms
p9012.68 ms
p9512.68 ms
throughput80.53 images/sec

6. 精度评测

注：eval_accuracy.py 为 smoke consistency 检查，非官方 ImageNet 验证集精度。

模型权重通过 ModelScope 下载，与 timm 官方结构完全匹配（missing=0, unexpected=0）。

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/env_check.logNPU 环境信息
logs/inference.log推理结果
logs/accuracy.logCPU-NPU 精度对比
logs/benchmark.log性能基准测试
logs/paths.txt模型下载路径记录

9. 注意事项

  • 权重文件（.safetensors, .bin, .pth 等）不包含在本仓库中，运行时会自动通过 ModelScope 下载。
  • 请勿将权重文件提交到 Git 仓库（已配置 .gitignore）。
  • 如需在其他 NPU 设备上运行，请确保 torch_npu 已正确安装。

10. 标签

#NPU