timm/deit3_small_patch16_224.fb_in22k_ft_in1k on Ascend NPU

1. 简介

本工程将 timm/deit3_small_patch16_224.fb_in22k_ft_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。

模型类型：DeiT3 Small，基于 Vision Transformer，输入分辨率 224x224，patch size 16，在 ImageNet-22k 上预训练并在 ImageNet-1k 上微调，输出 1000 类分类 logits。

2. 验证环境

3. 推理运行

安装依赖

pip install -r requirements.txt

运行命令

python3 inference.py

• inference.py：单图 NPU 推理，输出 Top-5 预测结果
• eval_accuracy.py：CPU vs NPU 一致性对比
• benchmark.py：NPU 性能基准测试

日志路径

• logs/inference.log：推理日志
• logs/accuracy.log：精度对比日志
• logs/benchmark.log：性能测试日志
• logs/prediction.txt：预测结果摘要

4. Smoke 验证

torch.npu.is_available(): True
torch.npu.device_count(): 1
torch.npu.get_device_name(0): Ascend910B4

Top-5 预测结果（占位图）

注意：该模型无官方 id2label 映射文件，使用 class_x 作为标签占位。

5. 性能参考

基于单卡 Ascend910B4，batch_size=1，输入 224x224。

6. 精度评测

CPU vs NPU Smoke 一致性对比结果：

注意：此验证为 CPU/NPU smoke consistency 测试，非官方 ImageNet 数据集精度。

7. 自验证截图

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

8. 日志文件

• logs/env_check.log：环境检查日志
• logs/model_check.log：模型下载与 dummy forward 日志
• logs/inference.log：推理日志
• logs/inference_run.log：推理运行输出
• logs/accuracy.log：精度对比日志
• logs/accuracy_run.log：精度对比运行输出
• logs/benchmark.log：性能测试日志
• logs/benchmark_run.log：性能测试运行输出
• logs/prediction.txt：预测结果
• logs/run_status.log：脚本运行状态（exit code）

9. 注意事项

1. 模型来源：ModelScope 魔搭社区，下载方式 modelscope snapshot_download。
2. 模型加载：使用 timm.create_model(pretrained=False) + ModelScope 本地权重加载，未使用 timm pretrained=True，未触发 HuggingFace Hub 下载。
3. 权重文件：model.safetensors（84.2 MB），由 ModelScope 本地加载。
4. 预处理：使用 timm.data.resolve_model_data_config + create_transform 完成官方预处理。
5. 测试图片：从 https://picsum.photos/400/300 下载，如网络不可用则为占位图。
6. 标签：模型无内置 id2label，输出使用 class_0 ~ class_999 占位。
7. 运行设备：npu:0（Ascend910B4）。
8. torch_npu：通常由昇腾容器或 CANN 环境预装，requirements.txt 中不固定版本。
9. 显存/内存：模型约 84 MB，NPU HBM 占用约 3 GB，请确保设备有足够显存。
10. 退出码 137：如遇到 OOM，请检查 NPU 显存占用情况。

10. 标签

#NPU