timm/nfnet_l0.ra2_in1k on Ascend NPU

1. 简介

本项目将 timm/nfnet_l0.ra2_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910) 运行。

• 模型来源: ModelScope timm/nfnet_l0.ra2_in1k
• 模型类型: 图片分类 (Image Classification)
• 输入尺寸: 224x224
• 输出类别: 1000 (ImageNet-1k)
• 加载方式: timm.create_model(pretrained=False) + ModelScope snapshot_download 本地权重加载
• 推理设备: npu:0

2. 验证环境

环境详情见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

model_utils.py 提供统一的模型加载与预处理逻辑：

• 通过 modelscope.snapshot_download 下载权重
• 通过 timm.create_model(pretrained=False) 创建模型结构
• 通过 timm.data.resolve_model_data_config + create_transform 获取官方预处理配置
• 加载本地权重到模型后迁移至 npu:0 执行推理

Model: timm/nfnet_l0.ra2_in1k
Model class: NormFreeNet
Input shape: [1, 3, 224, 224]
Output shape: [1, 1000]

Top-5 predictions:
  1. class_853  prob=0.146251
  2. class_449  prob=0.057264
  3. class_706  prob=0.035109
  4. class_743  prob=0.032922
  5. class_860  prob=0.032150

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

运行 python benchmark.py 在 npu:0 上测试吞吐量（warm-up 2 次 + 正式 10 次）：

完整性能日志见 logs/benchmark.log。

6. 精度评测

详见 logs/accuracy.log：

• CPU 与 NPU 的 logits max diff < 0.01
• Top-1 与 Top-5 预测结果完全一致

7. 自验证截图

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

8. 日志文件

9. 注意事项

1. 不提交权重文件: 本项目仅包含推理代码与配置，权重文件（.bin、.safetensors、.pth 等）通过 .gitignore 排除，运行时会自动从 ModelScope 下载。
2. 不使用 HuggingFace 直连下载: 主下载路径为 ModelScope snapshot_download，无需 HuggingFace token 或网络环境。
3. 不 fallback: 若 ModelScope 下载失败或权重加载异常，脚本会直接报错终止，不会自动回退到 HuggingFace 下载。
4. 预处理: 使用 timm.data.resolve_model_data_config 获取模型官方预处理参数，确保与训练时一致。

10. 标签

#NPU