timm/resnet50.a1_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet50.a1_in1k 图片分类模型适配到单卡华为昇腾 NPU（Ascend910B）上运行。

• 模型架构: ResNet-50
• 任务类型: ImageNet-1k 图片分类（1000 类）
• 加载方式: timm.create_model + ModelScope 本地权重加载
• 预处理: 基于 timm pretrained_cfg（Resize→CenterCrop→Normalize）
• 适配状态: 推理、精度一致性、性能基准均验证通过

2. 验证环境

torch_npu 通常由昇腾容器/环境预装，不在 requirements.txt 中固定版本。

3. 推理运行

3.1 安装依赖

pip install -r requirements.txt

3.2 运行推理

python inference.py

推理结果保存至：

• logs/inference.log — 完整推理日志
• logs/prediction.txt — Top-5 预测摘要

3.3 运行精度验证

python eval_accuracy.py

结果保存至 logs/accuracy.log。

3.4 运行性能测试

python benchmark.py

结果保存至 logs/benchmark.log。

4. Smoke 验证

5. 性能参考

在 Ascend910B4 单卡上的基准测试结果（10 次正式测试，2 次预热）：

注：首次推理因算子编译耗时约 17.8 s，预热后稳定在上述水平。

6. 精度评测

CPU 与 NPU 推理结果一致性对比：

注：此为 smoke accuracy / CPU-NPU 一致性验证，非官方 ImageNet 精度评测。

7. 自验证截图

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

8. 日志文件

9. 注意事项

1. 模型下载: 模型权重通过 ModelScope (snapshot_download) 下载到本地缓存；首次运行需联网，后续可复用缓存。
2. timm 加载: 因 HuggingFace 直连在当前环境不可达，本工程采用 timm.create_model(..., pretrained=False) 创建结构后，手动从 ModelScope 本地路径 torch.load 权重并 load_state_dict。
3. 预处理: 基于模型 config.json 中的 pretrained_cfg 参数构建，input_size=224，mean=[0.485, 0.456, 0.406]，std=[0.229, 0.224, 0.225]，interpolation=bicubic，crop_pct=0.95。
4. 首次推理耗时: 第一次 NPU 推理包含算子编译，耗时较长（约 17.8 s），后续推理稳定。
5. ** accelerate**: 环境中未安装 accelerate，本模型推理不依赖此包。
6. 占位图: 测试图片 assets/test.jpg 从 https://picsum.photos/400/300 下载，为真实随机图片。
7. 不提交权重: 本仓库不包含模型权重文件（*.bin, *.safetensors 等已在 .gitignore 中排除）。

10. 标签

#NPU #Ascend #ResNet #timm #ImageClassification #ModelScope