本仓库是对 timm 框架中 sequencer2d_l.in1k 模型在昇腾 NPU 上的适配版本。
图像分类（Image Classification）
PyTorch + timm
[batch_size, 3, 224, 224][batch_size, num_classes]，其中 num_classes = 1000（ImageNet）torch>=1.8.0
torch-npu
timm>=0.9.0
Pillow
numpy
modelscope
safetensors本模型通过 ModelScope 下载预训练权重，使用 PyTorch + timm 加载，通过 model.to('npu') 将模型迁移至昇腾 NPU 进行推理。无需修改模型结构。
pip install torch torch-npu timm Pillow numpy modelscope safetensors -i https://mirrors.aliyun.com/pypi/simple/python3 inference.py --device cpupython3 inference.py --device npu| 排名 | 类别 | 概率 |
|---|---|---|
| 1 | 21 | 0.173450 |
| 2 | 22 | 0.073527 |
| 3 | 127 | 0.055062 |
| 4 | 128 | 0.053826 |
| 5 | 92 | 0.053438 |
| 排名 | 类别 | 概率 |
|---|---|---|
| 1 | 21 | 0.137293 |
| 2 | 22 | 0.069971 |
| 3 | 127 | 0.049968 |
| 4 | 23 | 0.047221 |
| 5 | 128 | 0.046982 |
使用相同的测试图像分别在 CPU 和 NPU 上进行推理，对比输出 logits 的各项指标。
| 指标 | 值 |
|---|---|
| 参数量 | 54.30M |
| Logits MAE | 7.01148374e-02 |
| Logits Cosine Similarity | 0.99442386 |
| Probability MAE | 1.53655687e-04 |
| Top-1 Agreement | 100.00% |
| CPU 推理耗时 | 2.1945s |
| NPU 推理耗时 | 0.1255s |
| 加速比 | 17.48x |
NPU 与 CPU 推理结果误差 < 1%，精度满足要求。
#+NPU #+CV #+图像分类 #+timm #+昇腾
本仓库仅进行模型适配和推理验证，模型权重归原作者所有。