g
gyccc/timm-resnet152.a1h_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/resnet152.a1h_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet152.a1h_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910) 上运行。

  • 模型来源: ModelScope - timm/resnet152.a1h_in1k
  • 模型类型: 图像分类 (Image Classification)
  • 输入尺寸: 224x224
  • 输出类别: 1000 (ImageNet-1k)
  • 权重格式: model.safetensors
  • 加载方式: timm.create_model(pretrained=False) + snapshot_download 本地权重加载

2. 验证环境

项目版本/型号
NPUAscend910
npu-smi25.5.2
PyTorch2.x
torch_npu可用
timm最新版

环境检查日志: logs/env_check.log

3. 推理运行

python inference.py

使用 model_utils.py 中的 load_model() 统一加载模型，通过 timm.data.resolve_model_data_config 自动获取预处理配置，输入图片 assets/test.jpg，在 npu:0 上执行推理。

Top-5 预测结果:

排名类别置信度
1class_9700.199085
2class_6710.143515
3class_9790.134288
4class_9720.106749
5class_8800.049798

完整日志: 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_error0.009038
mean_abs_error0.001412
relative_error0.0158%
cosine_similarity1.000000
threshold1.0%
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

python benchmark.py
指标数值
Warm-up2 runs
Formal runs10
Avg latency16.32 ms
Min latency14.13 ms
Max latency31.00 ms
P50 latency14.68 ms
P90 latency31.00 ms
P95 latency31.00 ms
Throughput61.26 images/sec

完整日志: logs/benchmark.log

6. 精度评测

本工程未包含完整 ImageNet 验证集精度评测。上述 Smoke 验证表明 CPU/NPU 数值一致性良好，可作为精度可靠的参考依据。

7. 自验证截图

自验证信息见 screenshots/self_verification.txt 与 screenshots/self_verification.png。

8. 日志文件

  • logs/env_check.log - 环境检查
  • logs/stage0.log - 阶段0模型可用性验证
  • logs/inference.log - 推理结果
  • logs/accuracy.log - CPU/NPU一致性对比
  • logs/benchmark.log - 性能基准测试

9. 注意事项

  1. 权重加载: 本项目使用 timm.create_model(..., pretrained=False) 创建模型结构，权重通过 modelscope.snapshot_download 下载到本地后加载，不依赖 HuggingFace 自动下载。
  2. 不提交权重: 仓库中不包含 .bin/.safetensors/.pth/.pt/.ckpt/.onnx 等权重文件。
  3. 预处理: 使用 timm.data.resolve_model_data_config 自动获取模型对应的预处理参数，确保与预训练一致。
  4. NPU 同步: 推理和性能测试中使用 torch.npu.synchronize() 确保计时准确。

10. 标签

#NPU #Ascend #timm #resnet #image-classification