timm/pit_s_224.in1k on Ascend NPU

1. 简介

将 timm 库的 PiT-Small (Pool-based vision transformer) 图片分类模型适配到华为昇腾 NPU (Ascend910)。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。

• 模型来源：timm/pit_s_224.in1k
• 模型结构：PiT-Small，224x224 输入，ImageNet-1k 1000 类
• 参数量：~23.4M

2. 验证环境

3. 推理运行

# 安装依赖
pip install -r requirements.txt

# 运行推理
python inference.py

# 运行精度验证
python eval_accuracy.py

# 运行性能基准测试
python benchmark.py

推理结果示例（测试图片）：

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_0445
• NPU Top-1: class_0445
• Top-1 match: True
• CPU Top-5: class_0445, class_0838, class_0978, class_0977, class_0638
• NPU Top-5: class_0445, class_0838, class_0978, class_0977, class_0638
• 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。

7. 自验证截图

详见 screenshots/self_verification.png。

8. 日志文件

• logs/inference.log — 推理结果日志
• logs/accuracy.log — 精度验证日志
• logs/benchmark.log — 性能基准测试日志
• logs/stage0_result.txt — 阶段 0 验证结果

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，未使用 HuggingFace 直连
• 模型结构通过 timm.create_model(pretrained=False) 创建，无自动下载
• 未提交任何模型权重文件（*.bin, *.safetensors, *.pth 等）
• 精度验证为单图 smoke test，非 ImageNet 完整评测

10. 标签 #NPU