timm/tf_efficientnet_b0.ns_jft_in1k on Ascend NPU

1. 简介

本项目将 timm/tf_efficientnet_b0.ns_jft_in1k 图片分类模型适配到华为昇腾 NPU（Ascend910），使其能够在单卡 NPU 上完成推理、精度验证和性能基准测试。

• 原始模型: timm/tf_efficientnet_b0.ns_jft_in1k
• 模型类型: EfficientNet-B0 (ImageNet-1k 分类)
• 权重来源: ModelScope snapshot_download
• 适配方式: timm.create_model(pretrained=False) + 本地权重加载

2. 验证环境

• NPU: 华为 Ascend910
• OS: Linux 5.10.0
• PyTorch: torch + torch_npu
• timm: 1.0.27
• ModelScope: 1.35.3

3. 推理运行

pip install -r requirements.txt
python inference.py

推理输出 Top-5 预测结果，日志保存在 logs/inference.log。

Model: timm/tf_efficientnet_b0.ns_jft_in1k
Weights: /opt/atomgit/.cache/modelscope/hub/models/timm/tf_efficientnet_b0___ns_jft_in1k/model.safetensors
Input shape: [1, 3, 224, 224]
Output shape: [1, 1000]
Top-5 predictions:
  class_978: 0.5125
  class_976: 0.1176
  class_540: 0.0358
  class_437: 0.0309
  class_980: 0.0205

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

本项目执行的是 Smoke consistency check（同输入同精度验证），非 ImageNet 官方精度评测。CPU 和 NPU 推理结果完全一致，Top-1/Top-5 类别匹配。

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 — 性能基准

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，不使用 HuggingFace 直连
• 使用 pretrained=False 创建模型结构，手动加载本地权重
• 不提交权重文件（*.bin, *.safetensors 等已加入 .gitignore）

10. 标签

#NPU