sebotnet33ts_256.a1h_in1k-npu

1. 模型介绍

SE-BoTNet33ts-256 (AugMix¹, IN1K) — 结合 SE 模块和 BoTNet 自注意力机制的混合架构

• 模型名称: sebotnet33ts_256.a1h_in1k
• 架构: BoTNet33ts + SE 模块
• 参数量: ~14M
• 输入尺寸: 256×256
• Top-1 准确率: 78.6%
• 框架: PyTorch + timm
• 任务类型: 图像分类（Image Classification）

原始模型地址

• HuggingFace: https://huggingface.co/timm/sebotnet33ts_256.a1h_in1k
• ModelScope: https://modelscope.cn/models/timm/sebotnet33ts_256.a1h_in1k

2. 环境要求

3. 安装依赖

pip install torch timm Pillow

如果使用 Ascend NPU，还需安装 torch-npu：

pip install torch-npu

4. 快速开始

4.1 推理脚本

创建以下推理脚本 inference.py（已包含在本仓库中）：

import torch
import timm
from PIL import Image
from timm.data import resolve_data_config, create_transform

model = timm.create_model('sebotnet33ts_256.a1h_in1k', pretrained=True)
model = model.eval()

img = Image.open('test_input.jpg').convert('RGB')
config = resolve_data_config({}, model=model)
transform = create_transform(**config)
input_tensor = transform(img).unsqueeze(0)

with torch.no_grad():
    output = model(input_tensor)
probs = torch.nn.functional.softmax(output, dim=1)
top_probs, top_indices = torch.topk(probs, 5)
print(top_indices, top_probs)

4.2 运行推理

CPU 推理：

python3 inference.py --model sebotnet33ts_256.a1h_in1k --device cpu --image test_input.jpg

NPU 推理：

python3 inference.py --model sebotnet33ts_256.a1h_in1k --device npu --image test_input.jpg

注意: 该模型使用 HaloNet / BoTNet 自注意力机制，输入尺寸需要为 256×256。 请使用 256×256 的测试图片（test_input_256.jpg）进行推理。

4.3 精度对比

使用 compare_cpu_npu.py 对 CPU 和 NPU 的推理结果进行精度对比：

python3 compare_cpu_npu.py

5. 推理结果

5.1 CPU 推理结果

• 推理设备: CPU
• 推理时间: 249.24 ms
• 输入尺寸: 1 × 3 × 256×256
• 输出尺寸: 1 × 1000 (ImageNet 分类)

5.2 NPU 推理结果

• 推理设备: Ascend910 NPU
• 推理时间: 198.36 ms
• 输入尺寸: 1 × 3 × 256×256
• 输出尺寸: 1 × 1000 (ImageNet 分类)

5.3 性能对比

6. 精度对比结果

使用 compare_cpu_npu.py 对 CPU 和 NPU 的输出进行逐元素对比。

6.1 对比指标

6.2 分类结果对比

6.3 精度结论

NPU (Ascend910) 与 CPU 的推理结果相对误差为 0.0259%，余弦相似度为 1.0000000000。

结论：NPU 与 CPU 推理结果误差 < 1%，精度满足要求，通过！

7. 模拟终端截图

8. 仓库文件结构

├── inference.py          # NPU 推理脚本
├── compare_cpu_npu.py    # CPU vs NPU 精度对比脚本
├── requirements.txt      # 依赖清单
├── readme.md             # 本文件
└── screenshot.png        # 模拟终端截图

9. 模型标签

• #+NPU
• #+CV
• #+昇腾
• #+Ascend
• #+timm
• #+ImageNet
• #+图像分类
• #+SE