g
gyccc/timm-vit_small_patch16_224.augreg_in21k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/vit_small_patch16_224.augreg_in21k on Ascend NPU

1. 简介

本项目将 timm/vit_small_patch16_224.augreg_in21k (ViT-Small/16) 适配到华为昇腾 NPU (Ascend910)。该模型基于 AugReg 预训练，在 ImageNet-21k（21843 类）上微调，是一个轻量级 Vision Transformer。

  • 模型来源：ModelScope timm/vit_small_patch16_224.augreg_in21k
  • 模型架构：VisionTransformer (ViT-Small/16)
  • 分类数：21843 (ImageNet-21k)
  • 权重大小：约 120.3 MB (safetensors)

2. 验证环境

项目信息
NPU 型号Ascend910
PyTorch2.9.0+cpu
torch_npu2.9.0.post1
timm已安装
HBM65536 MB
设备npu:0

3. 推理运行

pip install -r requirements.txt
python inference.py

推理输出 (NPU)：

Top-1: class_14240 (0.2456)
Top-2: class_14224 (0.1488)
Top-3: class_14136 (0.0769)
Top-4: class_14379 (0.0475)
Top-5: class_14343 (0.0470)

输出 shape: [1, 21843]

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

指标数值
max_abs_error0.024446
mean_abs_error0.001235
relative_error0.0508%
cosine_similarity1.000000
threshold1.0%
结果PASS
  • CPU Top-1: class_14240
  • NPU Top-1: class_14240
  • CPU Top-5: 14240, 14224, 14136, 14379, 14343
  • NPU Top-5: 14240, 14224, 14136, 14379, 14343
  • Top-1 match: True
  • Top-5 match: True

5. 性能参考

指标数值
平均延迟5.35 ms
最小延迟5.25 ms
最大延迟5.51 ms
P505.33 ms
P905.47 ms
P955.49 ms
吞吐量186.90 images/sec
  • 预热次数：2
  • 正式迭代：10
  • Batch size：1

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。CPU-NPU 相对误差 0.0508% 远低于 1.0% 阈值，精度一致性优秀。

7. 自验证截图

详见 screenshots/self_verification.png

8. 日志文件

文件说明
logs/inference.logNPU 推理结果
logs/accuracy.logCPU-NPU 精度一致性检查
logs/benchmark.log性能基准测试
logs/env_check.log环境检查信息

9. 注意事项

  • 该模型为 ImageNet-21k 分类模型，共 21843 个类别
  • 使用 timm.create_model(pretrained=False) + ModelScope 下载的本地权重加载
  • 权重文件 (safetensors/bin/pth/pt/ckpt) 不提交到仓库
  • 单图验证仅供参考，不代表完整数据集上的精度

10. 标签

#NPU #Ascend #Ascend910 #image-classification #timm #ViT #VisionTransformer #ImageNet-21k