timm/hgnet_tiny.paddle_in1k on Ascend NPU

1. 简介

本项目将 timm/hgnet_tiny.paddle_in1k 图片分类模型适配到昇腾 NPU (Ascend910) 上运行。使用 ModelScope 下载权重，timm.create_model(pretrained=False) 加载本地权重，避免 HuggingFace 自动下载。包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

2. 验证环境

完整环境信息见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_473 (0.0101)
• Top-2: class_600 (0.0098)
• Top-3: class_644 (0.0092)
• Top-4: class_111 (0.0091)
• Top-5: class_512 (0.0090)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_473
• NPU Top-1: class_473
• CPU Top-5: class_473, class_600, class_644, class_111, class_512
• NPU Top-5: class_473, class_600, class_644, class_111, class_512
• Top-1 match: True
• Top-5 match: True

5. 性能参考

日志保存在 logs/benchmark.log。

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。

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
• logs/inference.log — 推理结果
• logs/accuracy.log — 精度验证
• logs/benchmark.log — 性能基准

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，严禁使用 pretrained=True 自动从 HuggingFace 下载。
• 推理时模型和数据均需 .to("npu:0")。
• 性能测试已包含 torch.npu.synchronize() 确保计时准确。

10. 标签

#NPU #Ascend #Ascend910 #timm #image-classification