timm/efficientnet_lite0.ra_in1k on Ascend NPU

1. 简介

本项目将 ModelScope 图片分类模型 timm/efficientnet_lite0.ra_in1k 适配为可在单卡昇腾 NPU（Ascend910B）上运行的提交工程。

• 模型来源: ModelScope - timm/efficientnet_lite0.ra_in1k
• 模型类型: EfficientNet Lite0 图片分类
• 类别数: 1000
• 输入尺寸: 3 x 224 x 224
• 权重加载: timm.create_model(..., pretrained=False) + ModelScope 本地 model.safetensors
• 预处理: timm.data.resolve_model_data_config + timm.data.create_transform

注意：该模型无 id2label 文件，推理结果使用 class_0 .. class_999 作为标签。

2. 验证环境

• NPU: Ascend910B4
• CANN: 8.5.1
• PyTorch: 2.x
• torch_npu: 已安装
• timm: 已安装

详见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_547 (0.4289)
• Top-2: class_705 (0.2647)
• Top-3: class_820 (0.0774)
• Top-4: class_920 (0.0742)
• Top-5: class_829 (0.0301)

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_547
• Top-1 prob: 0.428872
• Top-5: class_547 (0.428872), class_705 (0.264702), class_820 (0.077447), class_920 (0.074186), class_829 (0.030108) 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

测试条件：batch_size=1, 预热 2 次, 正式 10 次, 单卡 Ascend910B4。

6. 精度评测

本工程未包含官方 ImageNet 验证集精度评测，仅提供 CPU/NPU smoke 一致性检查。如需完整精度评测，请使用 ImageNet val 数据集运行标准评估。

7. 自验证截图

自验证信息汇总见 screenshots/self_verification.txt 与 screenshots/self_verification.png。

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载到本地缓存，脚本运行时自动复用。
2. 严禁使用 timm.create_model(..., pretrained=True)，避免触发 HuggingFace Hub 下载。
3. 模型权重文件（.safetensors, .bin, .pth, .pt, .ckpt, .onnx）已加入 .gitignore，不提交到仓库。
4. fusion_result.json 与 kernel_meta/ 已清理并加入 .gitignore。

10. 标签

#NPU #Ascend #EfficientNet #timm #image-classification