timm/tf_efficientnetv2_s.in21k on Ascend NPU

1. 简介

将 timm/tf_efficientnetv2_s.in21k (EfficientNetV2-S, ImageNet-21k 预训练) 适配为可在单卡昇腾 NPU (Ascend910) 上运行的提交工程。

• 模型来源: ModelScope (timm/tf_efficientnetv2_s.in21k)
• 模型结构: timm.create_model('tf_efficientnetv2_s.in21k', pretrained=False)
• 权重加载: ModelScope snapshot_download + 本地 safetensors 加载
• 参数量: 48.2M
• 输出维度: 21843 (ImageNet-21k)

2. 验证环境

3. 推理运行

# 安装依赖
pip install -r requirements.txt

# 运行推理
python inference.py

输出示例:

模型: timm/tf_efficientnetv2_s.in21k
输出 shape: torch.Size([1, 21843])
设备: Ascend910_9362

Top-5 预测:
  class_14262: 0.6259
  class_14413: 0.2880
  class_14227: 0.0380
  class_14117: 0.0076
  class_14173: 0.0042

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

运行性能基准测试:

python benchmark.py

结果 (batch=1, 单卡 Ascend910):

6. 精度评测

本工程仅提供 smoke consistency 验证（CPU vs NPU logits 对比），非官方精度评测。

• 由于模型为 ImageNet-21k (21843 类)，无标准 id2label 映射，推理输出使用 class_{idx} 格式
• CPU vs NPU Top-5 indices 完全一致
• max_diff 在 FP16 精度差异范围内

7. 自验证截图

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 - 性能测试
• logs/stage0_result.json - 阶段 0 验证结果

9. 注意事项

• 模型输出 21843 维 (ImageNet-21k)，非标准 1000 类
• 推理使用 timm.data.resolve_model_data_config 自动获取预处理参数
• 权重通过 ModelScope 下载，不依赖 HuggingFace
• 不包含权重文件（*.safetensors, *.bin 等已 gitignore）

10. 标签

#NPU