timm/regnety_080_tv.tv2_in1k on Ascend NPU

1. 简介

本工程将 timm/regnety_080_tv.tv2_in1k 图片分类模型适配到华为昇腾 NPU（Ascend910B）上运行。

• 模型来源：ModelScope 魔搭社区
• 模型页面：https://www.modelscope.cn/models/timm/regnety_080_tv.tv2_in1k
• 模型类型：图片分类（ImageNet-1k，1000 类）
• 适配方式：timm.create_model(pretrained=False) + ModelScope 本地权重加载
• 预处理：timm 官方 resolve_model_data_config + create_transform

2. 验证环境

3. 推理运行

安装依赖

pip install -r requirements.txt

torch_npu 通常由昇腾容器或环境预装，不在 requirements.txt 中固定版本。

运行推理

python inference.py

推理日志：logs/inference.log 预测结果：logs/prediction.txt

运行精度验证

python eval_accuracy.py

日志：logs/accuracy.log

运行性能基准

python benchmark.py

日志：logs/benchmark.log

4. Smoke 验证

• torch.npu.is_available(): True
• torch.npu.get_device_name(0): Ascend910B4
• NPU 推理输出 shape: [1, 1000]
• Top-1 预测: class_851 (prob=0.269087)
• Top-5 预测:
  1. class_851: 0.269087
  2. class_782: 0.058281
  3. class_664: 0.052266
  4. class_717: 0.020666
  5. class_837: 0.010222

模型未提供 id2label 映射，使用 class_N 作为占位标签。

5. 性能参考

在 Ascend910B4 单卡上的 benchmark 结果（batch=1，输入 3x224x224）：

性能数据仅供参考，实际数值受 CANN 版本、驱动、Host 负载等因素影响。

6. 精度评测

CPU vs NPU Smoke 一致性验证结果：

本验证为 CPU/NPU smoke consistency 测试，非官方 ImageNet 数据集精度。

7. 自验证截图

见 screenshots/ 目录：

• screenshots/self_verification.txt — 关键日志文本汇总
• screenshots/self_verification.png — 验证结果截图

8. 日志文件

9. 注意事项

1. 权重加载：严禁使用 timm.create_model(..., pretrained=True)，必须通过 ModelScope snapshot_download 下载到本地后加载，避免触发 HuggingFace Hub 自动下载。
2. 权重文件：本地权重为 model.safetensors（151MB）。
3. 预处理：使用 timm 官方 resolve_model_data_config + create_transform，与训练时保持一致。
4. 标签：模型未附带 id2label 文件，因此使用 class_0 ~ class_999 作为占位标签。如需真实 ImageNet 标签名，可自行映射。
5. 显存/内存：模型大小约 151MB，单卡推理显存占用约 3GB，一般不会出现 OOM。
6. 测试图片：assets/test.jpg 来自公开图床 picsum.photos，如网络不可用则使用占位图（见 assets/test_image_note.txt）。
7. torch_npu 产物：运行后可能产生 fusion_result.json 和 kernel_meta/，已加入 .gitignore，不会提交。

10. 标签

#NPU