timm/maxvit_small_tf_224.in1k on Ascend NPU

1. 简介

本项目将 timm/maxvit_small_tf_224.in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910），支持真实 NPU 推理、CPU-NPU 精度一致性验证以及性能基准测试。

• 模型类型: 图片分类 (Image Classification)
• 输入尺寸: 224x224
• 输出类别: 1000 (ImageNet-1k)
• 权重来源: ModelScope snapshot_download
• 加载方式: timm.create_model(pretrained=False) + 本地权重加载
• 设备: Ascend910 (npu:0)

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

inference.py 会加载模型到 npu:0，对 assets/test.jpg 进行推理，并输出 Top-5 预测结果到 logs/inference.log。

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：

• 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

测试条件：warmup 2 次，正式运行 10 次，batch_size=1，输入 224x224。

6. 精度评测

本项目未在完整 ImageNet-1k 验证集上运行官方精度评测。eval_accuracy.py 提供的是单张测试图的 CPU-NPU 一致性 smoke check，用于验证 NPU 推理结果与 CPU 基线对齐。

7. 自验证截图

自验证摘要见 screenshots/self_verification.txt 和 screenshots/self_verification.png。

8. 日志文件

• logs/env_check.log — NPU 环境信息
• logs/inference.log — 推理结果与 Top-5 预测
• logs/accuracy.log — CPU-NPU 一致性对比
• logs/benchmark.log — 性能基准测试数据

9. 注意事项

1. 权重通过 ModelScope snapshot_download 下载，不会提交到本仓库。
2. 运行前请确保昇腾 NPU 驱动和 torch_npu 已正确安装。
3. 首次运行会自动从 ModelScope 拉取权重到本地缓存目录。

10. 标签

#NPU #Ascend #timm #maxvit #image-classification