timm/repvgg_a0.rvgg_in1k on Ascend NPU

1. 简介

将 timm/repvgg_a0.rvgg_in1k 图片分类模型适配到华为昇腾 NPU (Ascend910) 单卡推理。RepVGG-A0 是一种简洁高效的 CNN 分类架构，通过结构重参数化在推理时获得多分支性能。

• 模型来源：ModelScope timm/repvgg_a0.rvgg_in1k
• 模型结构：ByobNet (RepVGG-A0)
• 参数量：约 8M
• 权重格式：safetensors
• 推理框架：PyTorch + torch_npu

2. 验证环境

3. 推理运行

# 安装依赖
pip install -r requirements.txt

# 推理测试
python inference.py

# 精度验证
python eval_accuracy.py

# 性能基准
python benchmark.py

推理输出示例：

input shape: [1, 3, 224, 224]
output shape: [1, 1000]
inference time: 6.62 ms
Top-5 predictions:
  class_499: 0.0216
  class_623: 0.0202
  class_534: 0.0202
  class_813: 0.0187
  class_846: 0.0177

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_499
• NPU Top-1: class_499
• CPU Top-5: class_499, class_623, class_534, class_813, class_846
• NPU Top-5: class_499, class_623, class_534, class_813, class_846
• Top-1 match: True
• 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 — 精度一致性验证日志
• logs/benchmark.log — 性能基准测试日志
• logs/env_check.log — NPU 环境检查日志

9. 注意事项

• 使用 ModelScope snapshot_download 下载模型权重
• 使用 timm.create_model(pretrained=False) 创建模型结构并加载本地权重
• 未使用 HuggingFace 直连下载
• 权重文件不提交到仓库

10. 标签

#NPU #Ascend #Ascend910 #RepVGG #ImageClassification #timm