timm/wide_resnet101_2.tv_in1k on Ascend NPU

1. 简介

本工程将 ModelScope 魔搭社区 的 timm/wide_resnet101_2.tv_in1k 图片分类模型适配到单卡华为昇腾 NPU（Ascend910B）上运行。

• 模型架构: Wide ResNet-101-2（ResNet 变体，具有更宽的瓶颈通道）
• 输入尺寸: 224x224
• 输出类别数: 1000（ImageNet-1k）
• 权重来源: ModelScope 本地缓存
• 加载方式: timm.create_model(pretrained=False) + 本地 model.safetensors 权重加载
• 推理设备: npu:0

2. 验证环境

3. 推理运行

安装依赖

pip install -r requirements.txt

注：torch_npu 通常由昇腾容器或 CANN 环境预装，不固定在 requirements.txt 中。

运行推理

python inference.py

推理结果将输出到控制台，并保存到 logs/prediction.txt。

运行精度对比

python eval_accuracy.py

运行性能测试

python benchmark.py

4. Smoke 验证

• torch.npu.is_available(): True
• torch.npu.get_device_name(0): Ascend910B4
• NPU dummy forward 输出 shape: [1, 1000]
• Top-1 预测: class_912 (index 912)
• Top-5 预测:
  1. class_912 (index 912): 0.191038
  2. class_975 (index 975): 0.126722
  3. class_979 (index 979): 0.050407
  4. class_660 (index 660): 0.033504
  5. class_825 (index 825): 0.021703

标签说明：该模型无内置 id2label 或 labels 文件，因此使用 class_0、class_1、...、class_999 作为类别标签。如需真实 ImageNet 标签名，可额外映射 imagenet_classes.txt。

5. 性能参考

在单卡 Ascend910B4 上，输入尺寸 1x3x224x224 的测试结果：

注：性能数据为单 batch、预热 2 轮、正式测试 10 轮的结果，实际吞吐量受 batch size、预处理流水线等因素影响。

6. 精度评测

本次验证为 CPU vs NPU Smoke 一致性对比，非官方 ImageNet 数据集精度评测。

CPU 与 NPU 输出高度一致，Top-1 和 Top-5 完全匹配。

7. 自验证截图

自验证截图与文本摘要请见 screenshots/ 目录：

• screenshots/self_verification.txt
• screenshots/self_verification.png

8. 日志文件

9. 注意事项

1. 权重加载方式：

   • 使用 timm.create_model("wide_resnet101_2.tv_in1k", pretrained=False) 创建模型结构。
   • 权重通过 modelscope.snapshot_download 下载到本地缓存，再从本地 model.safetensors 加载。
   • 严禁使用 pretrained=True，以避免触发 HuggingFace Hub 自动下载。

2. 预处理：

   • 使用 timm.data.resolve_model_data_config(model) 获取模型配置。
   • 使用 timm.data.create_transform(..., is_training=False) 构建推理预处理流水线。

3. 标签映射：

   • 本模型仓库未提供 id2label.json 或 labels.txt，因此使用 class_x 形式标签。
   • 如需真实 ImageNet 标签，可自行映射标准 ImageNet-1k 类别列表。

4. 显存与超时：

   • Wide ResNet-101-2 参数量约 127M，权重文件约 485MB。
   • 单卡 Ascend910B4（32GB HBM）运行单 batch 推理显存充裕。
   • 若出现 exit code 137 或 OOM，请检查是否有其他进程占用 NPU 显存。

5. 模型来源：

   • ModelScope 模型页面：https://www.modelscope.cn/models/timm/wide_resnet101_2.tv_in1k

6. Git 提交注意：

   • 本工程 .gitignore 已排除所有权重文件（*.safetensors、*.bin、*.pth 等）。
   • 请勿将模型权重提交到 Git 仓库。

10. 标签

#NPU #Ascend #ModelScope #timm #image-classification #WideResNet