timm/resnetv2_152x4_bit.goog_in21k_ft_in1k on Ascend NPU

1. 简介

将 timm/resnetv2_152x4_bit.goog_in21k_ft_in1k（4x 宽度 ResNetV2-152 + BiT，ImageNet-21K 预训练 + ImageNet-1K 微调，936.5M 参数）适配到华为昇腾 NPU（Ascend910）。使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 加载本地权重，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

2. 验证环境

• 硬件：华为昇腾 910B NPU
• OS: Linux 5.10.0
• Python: 3.x
• PyTorch + torch_npu
• npu-smi: Ascend910 OK

3. 推理运行

cd timm-resnetv2_152x4_bit.goog_in21k_ft_in1k-NPU
pip install -r requirements.txt
python download_test_image.py
python inference.py

推理结果（NPU）：

• Top-1: class_733 (94.02%)
• Top-2: class_557 (1.68%)
• Top-3: class_862 (0.59%)
• Top-4: class_708 (0.58%)
• Top-5: class_919 (0.58%)

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_733
• NPU Top-1: class_733
• CPU Top-5: [733, 557, 862, 708, 919]
• NPU Top-5: [733, 557, 862, 708, 919]
• Top-1 match: True
• Top-5 match: True

5. 性能参考

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

参见 screenshots/self_verification.png

8. 日志文件

• logs/inference.log - 推理结果
• logs/accuracy.log - 精度验证
• logs/benchmark.log - 性能测试
• logs/env_check.log - 环境检查

9. 注意事项

• 模型参数量 936.5M，权重文件约 3.5GB，下载耗时约 7 分钟
• 使用 ModelScope snapshot_download 作为主下载方式
• 不使用 HuggingFace 直连下载
• 不提交权重文件（*.safetensors, *.bin）

10. 标签

#NPU #Ascend #Ascend910 #ImageClassification #ResNetV2 #BiT