timm/resnet18.a1_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet18.a1_in1k 图片分类模型适配为可在单卡昇腾 NPU（Ascend910B）上运行的工程。

• 模型来源：ModelScope timm/resnet18.a1_in1k
• 模型结构：ResNet-18
• 分类数：1000（ImageNet-1k）
• 输入尺寸：3 x 224 x 224
• 适配方式：timm.create_model(pretrained=False) + ModelScope 本地权重加载
• 预处理：timm.data.resolve_model_data_config + timm.data.create_transform

注意：该模型无官方 id2label 文件，推理结果使用 class_0 ~ class_999 作为通用标签，已在 logs/prediction.txt 和本 README 中说明。

2. 验证环境

详细环境信息见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理脚本会自动从 ModelScope 本地缓存加载权重，在 npu:0 上执行前向推理，并将 Top-5 结果写入 logs/inference.log。

model: timm/resnet18.a1_in1k
weights: /opt/atomgit/.cache/modelscope/hub/models/timm/resnet18___a1_in1k/model.safetensors
device: npu:0
input_shape: [1, 3, 224, 224]
output_shape: [1, 1000]
missing_keys: 0
unexpected_keys: 0

Top-5:
  1. class_291 (idx=291, prob=0.999887)
  2. class_288 (idx=288, prob=0.000028)
  3. class_290 (idx=290, prob=0.000013)
  4. class_289 (idx=289, prob=0.000009)
  5. class_292 (idx=292, prob=0.000007)

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 Ascend910B4 单卡、batch_size=1、预热 2 次、正式 10 次条件下的参考数据：

注：以上数据为当前环境单次运行参考值，实际性能受驱动版本、CPU 负载、NPU 温度等因素影响。

6. 精度评测

当前工程仅提供 CPU/NPU smoke consistency 验证，未在完整 ImageNet-1k 验证集上跑官方 Top-1/Top-5 精度。如需完整精度评测，请自行准备 ImageNet 验证集并扩展 eval_accuracy.py。

7. 自验证截图

自验证关键信息汇总见 screenshots/self_verification.txt，可视化汇总见 screenshots/self_verification.png。

8. 日志文件

9. 注意事项

1. 权重加载：严禁使用 timm.create_model(..., pretrained=True)，所有脚本均通过 model_utils.load_model() 从 ModelScope 本地缓存加载权重。
2. 无 id2label：该模型未提供 id2label.json 或 labels.txt，输出标签统一为 class_0 ~ class_999。
3. 不提交权重：.gitignore 已排除 *.bin、*.safetensors、*.pth、*.pt、*.ckpt、*.onnx 等权重文件。
4. 编译产物清理：fusion_result.json 与 kernel_meta/ 已删除并加入 .gitignore。
5. 单卡推理：本工程仅验证单卡 npu:0 推理，未涉及分布式或多卡并行。

10. 标签

#NPU #Ascend #timm #ResNet #image-classification