timm/seresnext101_32x4d.gluon_in1k on Ascend NPU

1. 简介

本工程将 ModelScope 图片分类模型 timm/seresnext101_32x4d.gluon_in1k 适配到单卡昇腾 NPU (Ascend910B)。

• 模型来源: ModelScope
• 任务类型: Image Classification (ImageNet-1k, 1000 classes)
• 适配方式: ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 创建结构并加载本地权重
• 设备要求: 单卡 Ascend NPU

2. 验证环境

• NPU: Ascend910 (npu-smi 25.5.2)
• PyTorch + torch_npu
• Python 3.11

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果（单张测试图片）：

• Top-1 class: class_780
• Top-1 prob: 0.4352
• Top-5: class_780 (0.4352), class_914 (0.1459), class_625 (0.0597), class_628 (0.0593), class_476 (0.0398)

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

运行 python benchmark.py (预热 2 次 + 正式 10 次)：

• avg: 15.29 ms
• p50: 15.12 ms
• p90: 15.57 ms
• p95: 16.81 ms
• throughput: 65.39 images/sec

6. 精度评测

注意: eval_accuracy.py 为单图 smoke consistency 测试，非官方 ImageNet 验证集精度。

7. 自验证截图

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

8. 日志文件

• logs/inference.log — 推理输出
• logs/accuracy.log — CPU-NPU 一致性结果
• logs/benchmark.log — 性能基准
• logs/env_check.log — NPU 环境信息

9. 注意事项

• 权重通过 ModelScope 自动下载到本地缓存，无需手动放置
• 禁止在代码中设置 pretrained=True，避免 HuggingFace 直连下载
• 运行时会自动生成 fusion_result.json 和 kernel_meta/，已加入 .gitignore

10. 标签

#NPU