timm/tf_efficientnet_b5.ns_jft_in1k on Ascend NPU

1. 简介

本项目将 timm/tf_efficientnet_b5.ns_jft_in1k 适配到昇腾 NPU (Ascend910) 上运行，支持真实 NPU 推理、CPU-NPU 精度一致性对比和性能基准测试。

• 模型来源：ModelScope (timm/tf_efficientnet_b5.ns_jft_in1k)
• 模型类型：图像分类 (Image Classification)
• 输入尺寸：[1, 3, 456, 456]
• 输出维度：[1, 1000] (ImageNet 1000 类 logits)
• 加载方式：timm.create_model(pretrained=False) + ModelScope snapshot_download 本地权重加载

2. 验证环境

环境检查日志：logs/env_check.log

3. 推理运行

python inference.py

模型自动通过 ModelScope 下载权重，使用 timm.data.resolve_model_data_config 解析预处理配置，在 npu:0 上执行真实推理。

示例输出：

Model: timm/tf_efficientnet_b5.ns_jft_in1k
Input shape: [1, 3, 456, 456]
Output shape: [1, 1000]

Top-5 predictions:
  1. class_810: 0.4304
  2. class_878: 0.3451
  3. class_753: 0.0018
  4. class_508: 0.0016
  5. class_686: 0.0009

推理日志：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

python benchmark.py

预热 2 次 + 正式 10 次（每次前后 torch.npu.synchronize()）。

性能日志：logs/benchmark.log

6. 精度评测

本工程仅提供 CPU-NPU 推理一致性 smoke test，未使用 ImageNet 完整验证集跑 Top-1/Top-5 官方精度。如需完整精度评测，请自行准备 ImageNet 数据集并扩展 eval_accuracy.py。

7. 自验证截图

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

8. 日志文件

9. 注意事项

1. 权重下载：首次运行会通过 ModelScope snapshot_download 自动下载权重，请确保网络可访问 modelscope.cn。
2. 预处理：本模型输入分辨率为 456x456，由 timm.data.resolve_model_data_config 自动解析，请勿硬编码为 224x224。
3. 显存占用：EfficientNet-B5 参数量约 30M，NPU 推理时占用显存适中，但在 CPU 加载时可能占用较多内存。
4. 不提交权重：本项目 .gitignore 已排除 *.bin、*.safetensors、*.pth、*.pt、*.ckpt、*.onnx，请勿将权重文件提交到仓库。

10. 标签

#NPU