timm/resnetv2_101x3_bit.goog_in21k_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/resnetv2_101x3_bit.goog_in21k_ft_in1k 图片分类模型适配到华为昇腾 NPU（Ascend910B）上运行。

该模型为 BiT (Big Transfer) 系列中的 ResNetV2-101x3，使用 GroupNorm 替代 BatchNorm，在 ImageNet-21k 上预训练并在 ImageNet-1k 上微调，输出 1000 类 logits。

2. 验证环境

• NPU: Ascend910 (2 cards)
• npu-smi: 25.5.2
• PyTorch: 2.9.0+cpu
• torch_npu: available=True, device=Ascend910_9362
• 模型来源: ModelScope (snapshot_download)
• 模型加载方式: timm.create_model(pretrained=False) + 本地权重加载

3. 推理运行

python inference.py

运行结果：

• 输入 shape: [1, 3, 448, 448]
• 输出 shape: [1, 1000]
• Top-1: class_995 (0.6218)
• 推理成功，无缺失/多余 key

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

NPU 性能统计（10 次迭代，batch=1）：

6. 精度评测

本工程未在完整 ImageNet-1k 验证集上运行，仅提供 CPU-NPU smoke 一致性验证。

如需完整精度评测，请使用 timm 提供的 validate.py 并在 ImageNet-1k 验证集上运行。

7. 自验证截图

见 screenshots/self_verification.png。

8. 日志文件

• logs/env_check.log — 环境检查
• logs/inference.log — 推理结果
• logs/accuracy.log — CPU-NPU 精度一致性
• logs/benchmark.log — 性能基准测试

9. 注意事项

1. 不使用 HuggingFace 直连下载：权重通过 ModelScope snapshot_download 获取。
2. pretrained=False：严禁使用 timm.create_model(..., pretrained=True)，必须通过本地路径加载权重。
3. 输入尺寸：BiT 模型默认输入尺寸为 448x448，请确保预处理使用 timm.data.resolve_model_data_config 获取正确的 transform 配置。
4. 不提交权重：.gitignore 已排除所有权重文件（.bin、.safetensors、.pth、.pt、.ckpt、.onnx）。
5. NPU 内存：模型参数量约 1.45GB，推理时 NPU HBM 占用约 3GB，确保单卡可用。

10. 标签

#NPU