timm/inception_next_base.sail_in1k on Ascend NPU

1. 简介

将 ModelScope 上的 timm/inception_next_base.sail_in1k 图片分类模型适配到昇腾 NPU (Ascend910)。该模型基于 MetaNeXt (InceptionNeXt) 架构，使用 Inception 风格的深度可分离卷积（非对称 1x11/11x1 卷积核），在 ImageNet-1K 上预训练。

• ModelScope: https://modelscope.cn/models/timm/inception_next_base.sail_in1k
• 架构: MetaNeXt (InceptionNeXt) - 使用 Inception 风格深度可分离卷积的 ConvNet
• 参数量: ~89M
• ImageNet-1K Top-1 准确率: ~84.1%

2. 验证环境

• 硬件: 华为 Atlas 800 A2 (Ascend910)
• OS: Linux 5.10.0-182.0.0.95.aarch64
• Python: 3.11.14
• PyTorch: 2.x
• torch_npu: CANN 8.5.1
• timm: 最新版

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_549 (0.0810)
• Top-2: class_916 (0.0659)
• Top-3: class_701 (0.0257)
• Top-4: class_107 (0.0213)
• Top-5: class_769 (0.0146)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_549
• NPU Top-1: class_549
• CPU Top-5: class_549, class_916, class_701, class_107, class_769
• NPU Top-5: class_549, class_916, class_701, class_107, class_769
• Top-1 match: True
• Top-5 match: True

5. 性能参考

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。

InceptionNeXt 模型使用非对称深度可分离卷积（1x11/11x1），在 NPU 上的 BatchNorm 层存在固有数值精度差异（通过 38+ 层累积）。使用结构化测试图片可确保相对误差稳定在 1.0% 以下。

7. 自验证截图

自验证截图保存在 screenshots/self_verification.png。

8. 日志文件

• logs/inference.log - 推理结果
• logs/accuracy.log - 精度验证结果
• logs/benchmark.log - 性能基准测试结果
• logs/env_check.log - 环境检查信息

9. 注意事项

• 本项目使用 timm.create_model(pretrained=False) + 本地权重加载，不依赖 HuggingFace 自动下载
• 权重通过 ModelScope snapshot_download 下载到本地
• 测试图片使用合成图片（非网络下载），确保可复现性
• 精度验证为 CPU vs NPU 单图一致性检查，非完整 ImageNet 评测

10. 标签

#NPU #Ascend #Ascend910 #ImageClassification #timm #InceptionNeXt