本项目将 timm/tinynet_d.in1k 图片分类模型适配到华为昇腾 NPU（Ascend910）上运行。使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 创建模型结构并加载本地权重，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。
python inference.py输入尺寸：[1, 3, 152, 152]
输出尺寸：[1, 1000]
Top-5 预测结果：
对单张测试图片进行 CPU 与 NPU 一致性验证：
| 指标 | 数值 |
|---|---|
| max_abs_error | 0.006233 |
| mean_abs_error | 0.001451 |
| relative_error | 0.1452% |
| cosine_similarity | 0.999999 |
| threshold | 1.0% |
| 结果 | PASS |
| 指标 | 数值 |
|---|---|
| 平均延迟 | 4.72 ms |
| 最小延迟 | 4.67 ms |
| 最大延迟 | 4.86 ms |
| P50 延迟 | 4.71 ms |
| P90 延迟 | 4.77 ms |
| P95 延迟 | 4.81 ms |
| 吞吐量 | 211.78 images/sec |
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。
详见 screenshots/self_verification.png
logs/inference.log - 推理日志logs/accuracy.log - 精度验证日志logs/benchmark.log - 性能基准日志logs/env_check.log - 环境检查日志