g
gyccc/timm-tresnet_l.miil_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/tresnet_l.miil_in1k on Ascend NPU

1. 简介

本项目将 ModelScope 上的 timm/tresnet_l.miil_in1k 图片分类模型适配为可在单卡昇腾 NPU（Ascend910B）上运行的提交工程。

  • 模型名: timm/tresnet_l.miil_in1k
  • 模型结构: TResNet-L（基于 ResNet 的高性能变体）
  • 分类数: 1000（ImageNet-1K）
  • 输入: 3×224×224 RGB 图像
  • 下载方式: ModelScope snapshot_download（主路径，禁止 HuggingFace 直连）
  • 权重加载: timm.create_model(pretrained=False) + 本地 safetensors 加载

2. 验证环境

项目信息
硬件单卡 Ascend910B (NPU)
PyTorchtorch 2.1.0+
torch_npu已安装
timm已安装
modelscope已安装
safetensors已安装

3. 推理运行

cd timm-tresnet_l.miil_in1k-NPU
pip install -r requirements.txt
python inference.py

推理结果示例（Top-5）：

class_980: 0.5933
class_970: 0.0797
class_912: 0.0237
class_340: 0.0237
class_867: 0.0212

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：

指标数值
max_abs_error0.002823
mean_abs_error0.000325
relative_error0.0314%
cosine_similarity1.000000
threshold1.0%
结果PASS
  • 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
指标值
平均延迟12.98 ms
最小延迟12.55 ms
最大延迟13.30 ms
P5013.05 ms
P9013.24 ms
P9513.27 ms
吞吐量77.04 images/sec

6. 精度评测

本项目仅包含 Smoke 一致性检查（CPU vs NPU logits 对比），非官方精度评测。完整精度评测需使用 ImageNet 验证集。

7. 自验证截图

详见 screenshots/self_verification.txt 和 screenshots/self_verification.png。

8. 日志文件

  • logs/inference.log — 推理结果日志
  • logs/accuracy.log — 精度一致性验证日志
  • logs/benchmark.log — 性能基准测试日志
  • logs/env_check.log — 环境检查日志
  • logs/paths.txt — 模型下载路径记录

9. 注意事项

  • 本项目使用 ModelScope snapshot_download 作为主下载方式，不使用 HuggingFace 直连
  • 权重通过 timm.create_model(pretrained=False) 创建结构后本地加载，无 fallback
  • 不提交任何权重文件（*.safetensors, *.bin, *.pth 等）
  • Smoke 验证非官方精度，仅供参考

10. 标签

#NPU #timm #tresnet #image-classification #ascend