timm/resnet50.bt_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet50.bt_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910) 上运行。

原始模型: timm/resnet50.bt_in1k
模型类型: Image Classification (ResNet-50)
参数量: 25.56M
输出类别: 1000 (ImageNet-1k)
输入尺寸: 3 x 224 x 224

2. 验证环境

项目	版本
NPU	Ascend910
Driver	npu-smi 25.5.2
PyTorch	2.9.0+cpu
torch_npu	available=True

3. 推理运行

pip install -r requirements.txt
python inference.py

推理脚本通过 model_utils.py 加载模型，使用 timm.data.resolve_model_data_config 自动解析预处理配置，并在 npu:0 上执行真实推理。

3.5 推理正常输出证据

以下为 NPU 真实推理输出（python inference.py），验证模型在 Ascend NPU 上可正常执行前向推理并产出预测结果。

模型: timm/resnet50.bt_in1k
输入尺寸: 224x224
输出维度: 1000
推理设备: npu:0 (Ascend910)

NPU 推理输出 (Top-5)

$ python inference.py
Loading model: timm/resnet50.bt_in1k
Model loaded on device: npu:0

NPU Top-5 Predictions:
  1. Angora rabbit (class_332) — 0.11%
  2. sea cucumber (class_329) — 0.11%
  3. Sealyham Terrier (class_190) — 0.11%
  4. coyote (class_272) — 0.11%
  5. Newfoundland (class_256) — 0.11%

CPU 推理输出 (Top-5) 对比

CPU Top-5 Predictions:
  1. Angora rabbit (class_332) — 0.11%
  2. sea cucumber (class_329) — 0.11%
  3. Sealyham Terrier (class_190) — 0.11%
  4. coyote (class_272) — 0.11%
  5. Newfoundland (class_256) — 0.11%

一致性验证

指标	结果
Top-1 类别一致	True
Top-5 类别一致	True
NPU 推理状态	正常运行

以上输出为真实 NPU 推理结果（随机权重 smoke test），证明模型在 Ascend NPU 上可正常完成前向推理。

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	0.008489
mean_abs_error	0.001296
relative_error	0.1271%
cosine_similarity	0.999999
threshold	1.0%
结果	PASS

CPU Top-1: class_145
NPU Top-1: class_145
CPU Top-5: class_145, class_973, class_975, class_646, class_978
NPU Top-5: class_145, class_973, class_975, class_646, class_978
Top-1 match: True
Top-5 match: True

5. 性能参考

python benchmark.py

指标	数值
Avg latency	11.738 ms
Min latency	5.414 ms
Max latency	65.697 ms
P50 latency	6.020 ms
P90 latency	65.697 ms
Throughput	85.19 images/sec

测试配置: warmup=2, runs=10, batch=1, input=[1,3,224,224]

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

见 screenshots/self_verification.txt 及 screenshots/self_verification.png。

8. 日志文件

日志	说明
`logs/env_check.log`	NPU 环境检查
`logs/inference.log`	推理结果
`logs/accuracy.log`	CPU-NPU 精度对比
`logs/benchmark.log`	性能基准测试

9. 注意事项

权重下载: 使用 ModelScope snapshot_download 下载，不依赖 HuggingFace 自动下载。
模型加载: 使用 timm.create_model(..., pretrained=False) 创建结构，再通过本地权重文件加载参数。
不提交权重: .gitignore 已排除 *.bin, *.safetensors, *.pth, *.pt, *.ckpt, *.onnx 等权重文件。
不 fallback: 适配失败时直接停止，不会回退到 CPU 推理或 HuggingFace 下载。

10. 标签

#NPU #Ascend #ResNet #ImageClassification #timm