timm/resnet101.a1_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet101.a1_in1k 图片分类模型适配为可在单卡昇腾 NPU（Ascend910）上运行的提交工程。

模型: timm/resnet101.a1_in1k
任务: 图片分类
输入: 224x224 RGB 图像
输出: 1000 类分类结果

2. 验证环境

硬件: Ascend910 (9362)
Python: 3.11
PyTorch: 2.9.0+cpu
torch-npu: 2.9.0.post1+gitee7ba04
timm: 1.0.27

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

Top-1: class_976 (0.9445)
Top-2: class_975 (0.0433)
Top-3: class_979 (0.0014)
Top-4: class_970 (0.0009)
Top-5: class_525 (0.0008)

日志保存在 logs/inference.log。

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：

指标	数值
max_abs_error	0.009656
mean_abs_error	0.002651
relative_error	0.0255%
cosine_similarity	1.000000
threshold	1.0%
结果	PASS

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

指标	数值
平均延迟	9.77 ms
最小延迟	9.42 ms
最大延迟	9.87 ms
P50	9.81 ms
P90	9.85 ms
P95	9.86 ms
吞吐量	102.33 images/sec

6. 精度评测

CPU-NPU 精度一致性检查（单张测试图片 Smoke 测试）：

指标	数值
最大差异	0.00965595
平均差异	0.00265065
L2 距离	0.10432790
Top-1 一致性	通过
Top-5 一致性	完全匹配

7. 自验证截图

详见 screenshots/self_verification.png 和 screenshots/self_verification.txt

8. 日志文件

logs/env_check.log - NPU 环境信息
logs/inference.log - 推理结果日志
logs/accuracy.log - CPU-NPU 精度对比日志
logs/benchmark.log - 性能基准测试日志

9. 注意事项

使用 ModelScope snapshot_download 下载权重
使用 timm.create_model(pretrained=False) 加载本地权重
不提交模型权重文件（.bin, .safetensors, .pth 等）

10. 标签

#NPU