timm/tf_efficientnet_lite3.in1k on Ascend NPU

1. 简介

本项目将 ModelScope 上的 timm/tf_efficientnet_lite3.in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）。

• 模型来源：https://modelscope.cn/models/timm/tf_efficientnet_lite3.in1k
• 适配方式：使用 ModelScope snapshot_download 下载本地权重，通过 timm.create_model(pretrained=False) 构建模型结构并加载权重，无需 HuggingFace 直连下载。
• 输入尺寸：300x300（由模型 data_config 自动解析）
• 输出维度：1000 类 ImageNet 分类 logits

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

model_utils.py 封装了统一的模型加载与预处理逻辑，供 inference.py、eval_accuracy.py、benchmark.py 复用。

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（batch=1，预热 2 轮，正式 10 轮）：

6. 精度评测

本项目未在完整 ImageNet 验证集上运行，仅提供单图 smoke consistency 检查。如需完整精度，请使用 ImageNet-val 数据集配合批量评测脚本。

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

1. 权重文件（.safetensors / .bin / .pth 等）已通过 .gitignore 排除，不会提交到仓库。
2. 首次运行时会通过 ModelScope 自动下载模型权重到本地缓存目录。
3. 若 NPU 设备不可用，脚本会在迁移到 npu:0 时报错，请确保驱动和 CANN 环境已正确安装。

10. 标签

#NPU