timm/regnety_040.pycls_in1k on Ascend NPU

1. 简介

本工程将 timm/regnety_040.pycls_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）。模型使用 timm.create_model(pretrained=False) 创建结构，并通过 ModelScope snapshot_download 下载的本地权重加载，不依赖 HuggingFace 自动下载。

2. 验证环境

完整环境信息见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

inference.py 使用 model_utils.py 加载模型与预处理，在 npu:0 上执行真实推理并输出 Top-5 预测结果。

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

在单卡 Ascend910 NPU 上，输入尺寸 [1, 3, 224, 224]，预热 2 次 + 正式 10 次的测试结果：

• 平均 latency: 12.17 ms
• 吞吐量: 82.17 images/sec

6. 精度评测

由于本工程未接入官方 ImageNet 验证集，精度评测以 CPU-NPU smoke 一致性为主。 logits 与概率差异均在可接受范围内，说明 NPU 推理结果与 CPU 对齐。

7. 自验证截图

见 screenshots/self_verification.png 与 screenshots/self_verification.txt。

8. 日志文件

9. 注意事项

1. 权重文件（.safetensors、.bin、.pth 等）已加入 .gitignore，不提交到仓库。
2. 首次运行会自动通过 ModelScope 下载权重到本地缓存目录。
3. 推理脚本中已包含 torch.npu.synchronize() 以确保正确的时序测量。

10. 标签

#NPU #Ascend #timm #image-classification