MobileNetV3 Large 0.75

该模型是基于 MobileNetV3 架构的图像分类模型，在 ImageNet-1K 数据集上预训练。本仓库提供了在昇腾 NPU 上的完整适配和推理方案。

模型信息

• 模型名称: timm/tf_mobilenetv3_large_075.in1k
• 原始模型: ModelScope
• 任务类型: 图像分类 (Image Classification)
• 模型框架: PyTorch / timm
• 输入格式: RGB 图像 (3×224×224)
• 输出格式: 1000 类 ImageNet 分类概率
• NPU 适配: 使用 torch_npu 在昇腾 Ascend910 上完成推理验证

依赖环境

• torch>=2.0.0
• timm>=1.0.0
• torch-npu
• Pillow
• safetensors
• modelscope

环境准备

安装依赖：

pip install torch timm torch-npu Pillow safetensors modelscope

模型权重自动从 ModelScope 下载（已适配国内网络环境）。

推理命令

使用随机输入进行推理：

python3 inference.py --model timm/tf_mobilenetv3_large_075.in1k

使用自定义图片推理：

python3 inference.py --model timm/tf_mobilenetv3_large_075.in1k --image test_input.jpg

CPU 与 NPU 精度对比：

python3 compare_cpu_npu.py --model timm/tf_mobilenetv3_large_075.in1k --image test_input.jpg

推理结果

在 Ascend910 NPU 上的推理结果如下：

CPU Top-5 预测：

• Class 549: 0.162870
• Class 916: 0.039111
• Class 844: 0.034275
• Class 722: 0.028373
• Class 714: 0.025811

NPU Top-5 预测：

• Class 549: 0.163542
• Class 916: 0.039121
• Class 844: 0.034244
• Class 722: 0.028382
• Class 714: 0.025741

部署和推理方法

1. 模型加载：使用 timm.create_model() 创建模型架构，从 ModelScope 本地缓存加载预训练权重。
2. 数据预处理：使用 timm 的 resolve_data_config 和 create_transform 进行标准化预处理。
3. CPU 推理：将模型加载到 CPU 设备上进行推理。
4. NPU 推理：将模型加载到 Ascend NPU（npu:0）设备上，使用 torch_npu 扩展进行推理加速。

CPU/NPU 精度测试方法

1. 加载预训练模型权重。
2. 在 CPU 上进行推理，得到 logits 输出。
3. 在 NPU 上进行推理，得到 logits 输出。
4. 对比 CPU 和 NPU 输出的差异，评估指标包括：
   • Max absolute diff: 最大绝对差异
   • Mean absolute diff: 平均绝对差异
   • MSE: 均方误差
   • Cosine similarity: 余弦相似度
   • Relative error (%): 相对误差百分比
   • Class agreement (%): Top-1 类别一致率

CPU/NPU 精度测试结果

结论：NPU 与 CPU 推理结果误差 < 1%（相对误差 0.0216%），精度通过验证。

性能测试结果

终端输出截图

标签

#+NPU #+CV #+图像分类 #+昇腾 #+Ascend #+PyTorch #+MobileNetV3