timm/tf_efficientnet_b1.in1k on Ascend NPU

1. 简介

本项目将 ModelScope 模型 timm/tf_efficientnet_b1.in1k 适配到华为昇腾 NPU（Ascend910）运行。模型通过 timm.create_model(pretrained=False) 创建结构，并使用 ModelScope snapshot_download 下载的本地权重进行加载，避免 HuggingFace 直连下载。

• 模型来源: https://modelscope.cn/models/timm/tf_efficientnet_b1.in1k
• 模型类型: 图像分类（ImageNet-1k）
• 输入尺寸: 224x224
• 输出类别: 1000

2. 验证环境

• NPU: Ascend910 (Ascend910_9362)
• npu-smi: 25.5.2
• PyTorch: with torch_npu support
• Python: 3.11

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_972 (0.3526)
• Top-2: class_976 (0.1195)
• Top-3: class_970 (0.0985)
• Top-4: class_979 (0.0674)
• Top-5: class_980 (0.0467)

日志保存在 logs/inference.log。

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（warmup=2, runs=10）：

6. 精度评测

本项目未在完整 ImageNet 验证集上运行官方精度评测。eval_accuracy.py 提供的 CPU-NPU smoke 一致性检查表明：在相同输入下，NPU 推理结果与 CPU 结果高度一致，Top-1 与 Top-5 完全一致。

7. 自验证截图

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

8. 日志文件

9. 注意事项

• 权重文件（.bin, .safetensors, .pth, .pt, .ckpt, .onnx）不提交到 Git 仓库，由 .gitignore 排除。
• 首次运行时会通过 ModelScope 自动下载模型权重到本地缓存目录。
• 请勿使用 timm.create_model(..., pretrained=True)，以避免 HuggingFace 自动下载。

10. 标签

#NPU