timm/tiny_vit_5m_224.dist_in22k on Ascend NPU

1. 简介

本项目将 timm/tiny_vit_5m_224.dist_in22k 图片分类模型适配到华为昇腾 NPU (Ascend910) 上运行。

• 模型来源：ModelScope (timm/tiny_vit_5m_224.dist_in22k)
• 模型类型：Vision Transformer (TinyViT)
• 输出类别数：21841 (ImageNet-22k)
• 模型参数量：约 5M

2. 验证环境

• 硬件：华为昇腾 910B NPU
• 操作系统：Linux aarch64
• Python：3.11
• PyTorch：2.x
• torch_npu：CANN 8.5.1

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_3463 (0.1765)
• Top-2: class_3468 (0.1543)
• Top-3: class_3479 (0.0852)
• Top-4: class_3478 (0.0778)
• Top-5: class_3462 (0.0508)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_3463
• NPU Top-1: class_3463
• CPU Top-5: class_3463, class_3468, class_3479, class_3478, class_3462
• NPU Top-5: class_3463, class_3468, class_3479, class_3478, class_3462
• Top-1 match: True
• Top-5 match: True

5. 性能参考

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非官方 ImageNet 完整验证集评测。详细指标见第 4 节。

7. 自验证截图

截图保存在 screenshots/self_verification.png。

8. 日志文件

• 推理日志：logs/inference.log
• 精度日志：logs/accuracy.log
• 性能日志：logs/benchmark.log
• 环境检查：logs/env_check.log

9. 注意事项

• 使用 timm.create_model(pretrained=False) + 本地权重加载，避免 HuggingFace 自动下载
• 使用 ModelScope snapshot_download 下载模型权重
• 精度验证采用 CPU 与 NPU 对比，relative_error < 1.0% 为通过阈值

10. 标签

#NPU #Ascend #Ascend910 #ImageClassification #TinyViT #timm