timm/swin_tiny_patch4_window7_224.ms_in1k on Ascend NPU

1. 简介

本工程将 ModelScope 上的 timm/swin_tiny_patch4_window7_224.ms_in1k 图片分类模型适配为可在华为昇腾 NPU（Ascend910B）上单卡运行的推理工程。

• 模型来源：ModelScope (timm/swin_tiny_patch4_window7_224.ms_in1k)
• 模型类型：Swin Transformer (Tiny)
• 任务类型：Image Classification
• 输入尺寸：224x224
• 输出类别：1000 (ImageNet-1k)
• 适配方式：timm.create_model(..., pretrained=False) + ModelScope 本地权重加载

2. 验证环境

3. 推理运行

安装依赖

pip install -r requirements.txt

单图推理

python inference.py

推理脚本会从 ModelScope 本地缓存加载 model.safetensors 权重，在 npu:0 上执行前向推理，并输出 Top-5 预测结果。

示例输出：

Model: timm/swin_tiny_patch4_window7_224.ms_in1k
Input shape: [1, 3, 224, 224]
Output shape: [1, 1000]

Top-5 predictions:
  1. class_871 (index=871, prob=0.4197)
  2. class_484 (index=484, prob=0.0669)
  3. class_814 (index=814, prob=0.0395)
  4. class_876 (index=876, prob=0.0373)
  5. class_403 (index=403, prob=0.0372)

注意：该模型未提供 id2label.json 或 labels.txt，因此预测标签以 class_0 ~ class_999 形式展示。

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

6. 精度评测

本仓库未包含完整 ImageNet 验证集，因此未提供官方 Top-1/Top-5 精度数字。用户如有需要，可基于 model_utils.py 中的加载逻辑，在完整验证集上自行评测。

7. 自验证截图

自验证摘要见：

• screenshots/self_verification.txt
• screenshots/self_verification.png

8. 日志文件

9. 注意事项

1. 权重加载：本工程严格遵守 pretrained=False + ModelScope 本地权重加载，不触发 HuggingFace Hub 自动下载。
2. 不提交权重：.gitignore 已排除 *.bin, *.safetensors, *.pth, *.pt, *.ckpt, *.onnx 等权重文件。
3. 清理产物：fusion_result.json 和 kernel_meta/ 已删除并加入 .gitignore。
4. 标签说明：由于模型仓库未提供标签映射文件，推理结果使用 class_0 至 class_999 作为通用标签。
5. NPU 设备：默认使用 npu:0，请确保设备可用。

10. 标签

#NPU #Ascend #ImageClassification #timm #SwinTransformer #ModelScope