g
gyccc/timm-resnet50d-ra2_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/resnet50d.ra2_in1k on Ascend NPU #NPU

1. 简介

将 timm/resnet50d.ra2_in1k 图片分类模型适配到华为昇腾 NPU (Ascend910B) 单卡环境。

  • 模型来源：ModelScope - timm/resnet50d.ra2_in1k
  • 模型结构：ResNet-50-D（1000 类 ImageNet）
  • 权重文件：model.safetensors (97.8 MB)
  • 适配方式：ModelScope snapshot_download 下载 + timm.create_model(pretrained=False) 加载本地权重

2. 验证环境

项目值
NPU 型号Ascend910B
PyTorch2.x
torch_npu已安装
Python3.x
timm已安装
modelscope已安装
safetensors已安装

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

  • Top-1: class_989 (0.0247)
  • Top-2: class_494 (0.0171)
  • Top-3: class_912 (0.0166)
  • Top-4: class_716 (0.0152)
  • Top-5: class_985 (0.0147)

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_error0.005043
mean_abs_error0.000898
relative_error0.0869%
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

指标值
平均延迟5.47 ms
最小延迟5.45 ms
最大延迟5.50 ms
P505.47 ms
P905.50 ms
P955.50 ms
吞吐量182.75 images/sec

测试条件：batch=1, input 224x224, 预热 2 次 + 正式 10 次。

6. 精度评测

本项目执行的是 smoke consistency 验证（同输入 CPU vs NPU 一致性），非官方 ImageNet 精度评测。Top-1/Top-5 完全匹配，CPU-NPU 输出一致。

7. 自验证截图

详见 screenshots/self_verification.png。

8. 日志文件

文件说明
logs/inference.log推理日志
logs/accuracy.log精度验证日志
logs/benchmark.log性能基准日志
logs/paths.txt模型路径记录

9. 注意事项

  • 权重文件（*.safetensors, *.bin）未提交到仓库，需通过 ModelScope snapshot_download 获取
  • 使用 timm.create_model(pretrained=False) + 本地权重加载，不依赖 HuggingFace 直连下载
  • 本验证为 smoke consistency，不代表官方精度指标

10. 标签

#NPU #Ascend #timm #resnet50d #image-classification #ModelScope