timm/resnetv2_152x2_bit.goog_teacher_in21k_ft_in1k_384 on Ascend NPU

1. 简介

本项目将 timm/resnetv2_152x2_bit.goog_teacher_in21k_ft_in1k_384 图片分类模型适配到单卡昇腾 NPU (Ascend910)。

• 模型架构: ResNetV2-152x2 (BiT 风格，width factor 2)
• 输入分辨率: 384x384
• 输出类别: 1000 (ImageNet-1k)
• 权重来源: ModelScope snapshot_download
• 加载方式: timm.create_model(pretrained=False) + 本地 safetensors 权重
• 预处理: timm.data.resolve_model_data_config 自动生成

2. 验证环境

• NPU: Ascend910 (Ascend910_9362)
• npu-smi: 25.5.2
• PyTorch: 可用
• torch_npu: 可用

详见 logs/env_check.log。

3. 推理运行

python inference.py

使用 model_utils.py 统一加载模型，通过 pretrained=False 创建结构后加载本地权重，输入 384x384 图像，在 npu:0 上执行推理。

推理结果示例:

• Input shape: [1, 3, 384, 384]
• Output shape: [1, 1000]
• Top-1: class_578 (0.439625)

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

测试条件：warmup 2 次 + 正式 10 次，batch=1，输入 384x384。

6. 精度评测

本项目仅提供 smoke consistency 验证（CPU-NPU 输出一致性），非官方 ImageNet 验证集精度。模型原始权重为 ImageNet-21k 预训练 + ImageNet-1k 微调。

7. 自验证截图

详见 screenshots/self_verification.txt。

8. 日志文件

• logs/env_check.log — NPU 环境信息
• logs/inference.log — 推理结果
• logs/accuracy.log — CPU-NPU 一致性对比
• logs/benchmark.log — 性能基准测试

9. 注意事项

• 本模型使用 384x384 输入分辨率，请勿使用 224x224。
• 权重文件约 902MB，通过 ModelScope 下载后自动缓存。
• 运行需安装 timm, modelscope, safetensors, torch_npu。
• 推理脚本已设置 torch.npu.synchronize() 确保正确计时。

10. 标签

#NPU