g
gyccc/timm-mobilenetv3_large_100-ra_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/mobilenetv3_large_100.ra_in1k on Ascend NPU #NPU

1. 简介

将 timm 库中的 MobileNetV3-Large (ImageNet-1k pretrained, 100裁剪) 模型适配到华为昇腾 NPU (Ascend910B) 单卡环境。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，不依赖 HuggingFace 直连下载。

  • 原始模型地址：https://modelscope.cn/models/timm/mobilenetv3_large_100.ra_in1k
  • 模型类型：MobileNetV3-Large (轻量级卷积网络)
  • 参数量：约 5.4M
  • 输入分辨率：224x224
  • 输出类别数：1000 (ImageNet-1k)

2. 验证环境

项目信息
NPU 型号Ascend910B
PyTorch2.x
torch_npu已安装
timm已安装
ModelScope已安装
操作系统Linux aarch64

3. 推理运行

pip install -r requirements.txt
python inference.py

推理输出示例：

Output shape: torch.Size([1, 1000])
Top-1: class_718 prob=0.0762
Top-2: class_634 prob=0.0590
Top-3: class_705 prob=0.0521
Top-4: class_820 prob=0.0502
Top-5: class_912 prob=0.0345

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：

指标数值
max_abs_error0.008712
mean_abs_error0.001907
relative_error0.2509%
cosine_similarity0.999997
threshold1.0%
结果PASS
  • 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

指标值
推理次数10
平均延迟5.88 ms
最小延迟5.84 ms
最大延迟5.92 ms
P505.88 ms
P905.92 ms
P955.92 ms
吞吐量170.07 images/sec

6. 精度评测

本项目执行的是 Smoke 一致性验证（CPU vs NPU 同输入同精度对比），非官方 ImageNet 验证集精度评测。Top-1/Top-5 在 CPU 与 NPU 间完全匹配，确认模型迁移无精度损失。

7. 自验证截图

参见 screenshots/self_verification.png。

8. 日志文件

文件说明
logs/inference.log推理输出日志
logs/accuracy.log精度一致性验证日志
logs/benchmark.log性能基准测试日志
logs/env_check.log环境检查日志

9. 注意事项

  • 使用 ModelScope snapshot_download 下载权重，不依赖 HuggingFace Hub
  • timm.create_model(pretrained=False) + 本地权重加载，确保离线可用
  • 权重文件未提交至仓库（.gitignore 已排除）
  • 性能数据仅反映单次推理场景，实际部署需结合具体业务场景调优

10. 标签

#NPU #Ascend #MobileNetV3 #ImageNet #timm #ModelScope #昇腾