本仓库是对 timm 框架中 seresnet50.a2_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 | 644 | 0.082652 |
| 2 | 111 | 0.054885 |
| 3 | 107 | 0.039047 |
| 4 | 892 | 0.038398 |
| 5 | 852 | 0.026326 |
| 排名 | 类别 | 概率 |
|---|---|---|
| 1 | 644 | 0.106466 |
| 2 | 111 | 0.076274 |
| 3 | 892 | 0.041253 |
| 4 | 852 | 0.028025 |
| 5 | 23 | 0.023009 |
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 | 28.09M |
| Logits MAE | 2.40725192e-01 |
| Logits Cosine Similarity | 0.99937357 |
| Probability MAE | 2.25344364e-04 |
| Top-1 Agreement | 100.00% |
| CPU 推理耗时 | 0.3844s |
| NPU 推理耗时 | 0.0077s |
| 加速比 | 50.15x |
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。