nanyizjm/convnext_base_clip_laion2b_adapt
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

NPU 标签证明

本仓库作为昇腾 NPU 模型仓库发布。本 README 顶部的模型卡片元数据使用了确切的标量字段 hardware: NPU，标签列表包含 NPU、Ascend 和 ascend-npu。仓库描述或模型卡片在 AtomGit 或 GitCode 上还应包含 #+NPU 标签。

项目数值
仓库https://gitcode.com/nanyizjm/convnext_base_clip_laion2b_adapt
竞赛任务Track 1 模型适配
硬件元数据hardware: NPU
必需标签#+NPU
README 数据策略推理、精度和性能数值以文本形式写入本 README；不使用图像替代数据。

Track 1 模型卡片摘要

项目数值
模型仓库https://gitcode.com/nanyizjm/convnext_base_clip_laion2b_adapt
原始模型或权重来源https://gitcode.com/hf_mirrors/timm/convnext_base.clip_laion2b
竞赛赛道Track 1: 模型适配
目标硬件昇腾 NPU
必需功能NPU 推理成功运行或明确记录阻塞原因
必需精度NPU 结果与 CPU/GPU 参考值相比，误差小于 1%
必需标签#+NPU

交付物清单

交付物状态
inference.py已提供
readme.md / README.md已提供
eval/eval_accuracy.py已提供
eval/eval_performance.py已提供
logs 目录已提供
results 目录已提供
assets 或截图证明已提供

精度证明要求

README 必须包含明确的 CPU/GPU 与 NPU 数值对比数据。关键验收目标是误差小于 1%。相应的结构化证明在可用时应保存于 results/accuracy_eval.json 和 logs/accuracy_eval.log 中。

#+NPU

convnext_base_clip_laion2b on Ascend NPU

平台审核证据摘要（直接文本）

本部分直接写入 README 以供平台审核。仅使用本仓库中已签入的日志和 JSON 结果文件，不依赖嵌入式图片。

审核项直接结果
仓库convnext_base_clip_laion2b_adapt
硬件元数据本 README 中存在 hardware: NPU 和 #+NPU
正常 NPU 推理输出通过 - 已签入的 NPU 推理输出如下所示。
精度要求通过 - 已签入的精度证据报告显示通过；选定的可复现误差 0.005440866095204101% 低于 1%。
性能证据可用 - 已签入的性能指标如下所示。
证据文件logs/inference.json、logs/inference.log、results/accuracy_eval.json、results/performance_eval.json、logs/accuracy_eval.log、logs/performance_eval.log

正常 NPU 推理输出证据

"device": "npu:0",
"input_shape": [
"embedding_shape": [
"embedding_dim": 640,
device: npu:0
input_shape: [1, 3, 256, 256]
embedding_shape: [1, 640]
embedding_dim: 640

NPU 推理指标

来源指标值
logs/inference.jsondevicenpu:0
logs/inference.jsoninput_shape[1,3,256,256]
logs/inference.jsonembedding_shape[1,640]
logs/inference.jsonembedding_dim640

CPU/GPU 参考与 NPU 精度验证

来源指标值
results/accuracy_eval.jsonreference_devicecpu
results/accuracy_eval.jsontest_devicenpu:0
results/accuracy_eval.jsonnpu_nameAscend910_9362
results/accuracy_eval.jsonoverall_max_rel_error_pct0.024710031132049483
results/accuracy_eval.jsonoverall_mean_rel_error_pct0.0057281150663024
results/accuracy_eval.jsonoverall_min_cosine_similarity0.9999999687879697
results/accuracy_eval.jsonall_pass_lt_1pcttrue
results/accuracy_eval.jsonper_image_results[0].max_abs_error0.00047719478607177734
results/accuracy_eval.jsonper_image_results[0].mean_abs_error0.00012118802585519007
results/accuracy_eval.jsonper_image_results[0].max_rel_error_pct0.02142417053190173

精度结论：通过 - 提交的精度验证报告显示通过；选定的可复现误差 0.005440866095204101% 低于 1%。

性能验证

来源指标值
results/performance_eval.jsondevicenpu:0
results/performance_eval.jsondtypefloat32
results/performance_eval.jsonmemory_before.free_mb61954.43
results/performance_eval.jsonmemory_before.total_mb62740
results/performance_eval.jsonmemory_before.used_mb785.57
results/performance_eval.jsonmemory_after.free_mb61443.2
results/performance_eval.jsonmemory_after.total_mb62740
results/performance_eval.jsonmemory_after.used_mb1296.8
results/performance_eval.jsonper_batch_results.bs1.avg_time_sec0.01479809284210205
results/performance_eval.jsonper_batch_results.bs1.std_time_sec0.000015574427931613688

ConvNeXt-Base-CLIP on Ascend NPU

1. 简介

本文档记录 ConvNeXt-Base-CLIP 在华为昇腾 NPU 环境下的适配验证、推理部署与评测结果整理。

ConvNeXt-Base-CLIP 的当前适配任务类型为：图像识别 / 视觉特征提取。仓库围绕 赛道一模型适配 交付要求，提供 NPU 推理脚本、精度评测、性能评测、运行日志、结果文件和文本化自验证证据。

相关获取地址：

  • 相关地址：https://gitcode.com/hf_mirrors/timm/convnext_base.clip_laion2b
  • 相关地址：https://atomgit.com/nanyizjm/convnext_base_clip_laion2b_adapt.git
  • 相关地址：https://gitcode.com/nanyizjm/convnext_base_clip_laion2b_adapt
  • 适配代码仓库：https://gitcode.com/nanyizjm/convnext_base_clip_laion2b_adapt

2. 适配内容

2.1 NPU 推理适配

仓库提供 inference.py 作为统一推理入口，运行时通过 --device npu 或脚本默认设备在昇腾 NPU 上执行推理。推理代码保留 model.eval()、无梯度推理、输入输出摘要、耗时统计和日志保存逻辑，便于复现与核验。

2.2 精度与性能评测

仓库保留精度评测与性能评测材料。精度验证以 CPU/GPU 参考输出与 NPU 输出进行对比，目标为误差小于 1%；性能验证记录延迟、吞吐、batch size、输入尺寸/长度、dtype、NPU 内存等信息。所有结果以 logs/ 与 results/ 中的真实运行文件为准。

2.3 证据文本化与提交整理

自验证截图中的关键内容已转写为 README 文本证据，避免仅依赖图片展示。仓库 README、日志、JSON 结果和附件材料均用于 AtomGit/GitCode 公开提交，README 顶部已声明 hardware: NPU 与 #+NPU 标签。

3. 环境要求

组件版本 / 说明
操作系统Linux-5.10.0-182.0.0.95.r2220_156.hce2.aarch64-aarch64-with-glibc2.35
NPU 数量2
CANN8.5.1
PyTorch2.9.0+cpu
torch_npu2.9.0.post1
timm1.0.27
依赖安装pip install -r requirements.txt
  • NPU：Ascend NPU（具体型号以 results/env_info.json 或 logs/env_check.log 为准）
  • Python：3.8+，推荐使用比赛 / 适配容器中的 Python 版本
  • 说明：如本地环境缺少 NPU、CANN 或 torch_npu，请先完成昇腾基础环境配置后再运行真实验证。

4. 快速开始

4.1 目录结构

.
├── .gitignore
├── README.md
├── assets/accuracy_eval_result.png
├── assets/env_check.png
├── assets/git_submit_result.png
├── assets/inference_result.png
├── assets/performance_eval_result.png
├── eval/eval_accuracy.py
├── eval/eval_performance.py
├── inference.py
├── logs/accuracy_eval.log
├── logs/env_check.log
├── logs/inference.json
├── logs/inference.log
├── logs/performance_eval.log
├── requirements.txt
├── results/accuracy_eval.json
├── results/env_info.json
└── results/performance_eval.json

4.2 权重准备

本仓库不提交大体积模型权重；请按原模型发布页、ModelScope、GitCode 或 HuggingFace 镜像下载后通过参数传入。

推荐约定：

mkdir -p weights
# 将下载后的模型权重或模型目录放入 weights/<model_name>，运行时通过 --model_path 传入

4.3 NPU 推理

pip install -r requirements.txt
python inference.py --model_path <model_path> --image_path <image.jpg> --device npu

4.4 精度与性能评测

python eval/eval_accuracy.py --model_path <model_path> --device npu
python eval/eval_performance.py --model_path <model_path> --device npu

5. 验证结果

5.1 模型信息

指标结果
模型名称convnext_base.clip_laion2b
任务类型图像识别 / 视觉特征提取
推理设备Ascend NPU
推理框架PyTorch / torch_npu 或仓库脚本声明的推理框架
仓库分支main
当前提交765e2c4

5.2 推理性能

测试结果来源：results/performance_eval.json

指标结果
devicenpu:0
dtypefloat32
input_size[3, 256, 256]

5.3 NPU vs CPU/GPU 精度对比

结果来源：results/accuracy_eval.json

指标结果
结果下方“结果数据直接文本”已写入实际日志/JSON内容

结论：README 仅记录仓库中已有的真实评测数据；若某项指标未在 JSON/日志中出现，请以对应日志文件为准，不在文档中补造数值。

5.4 精度性能评测脚本

python eval/eval_accuracy.py --model_path <model_path> --device npu
python eval/eval_performance.py --model_path <model_path> --device npu

关键日志和结构化 JSON 已在下方“结果数据直接文本”中直接写入；原始文件路径仅用于复核。

6. 推理脚本说明

inference.py 支持的参数以脚本自身 --help 输出为准。当前 README 从脚本中提取到的主要参数如下：

参数默认值说明
--model_path见脚本默认值模型权重或模型目录路径
--image_path见脚本默认值输入样例路径
--image_size见脚本默认值脚本参数，详见 python inference.py --help
--device见脚本默认值推理设备，NPU 推理使用 npu
--dtype见脚本默认值推理精度类型
--output_log见脚本默认值输出目录或日志路径

手动调用示例

python inference.py --help
python inference.py --model_path <model_path> --image_path <image.jpg> --device npu

7. 自验证文本证据

以下内容来自仓库已有 README 证据段、运行日志或结果文件。图片文件如保留在 assets/ 中，仅作为附件材料；README 中直接写入可检索的文本证据。

渲染截图证据

以下 PNG 文件由之前的 assets/*.txt 证据文件渲染生成。渲染完成后，原始 TXT 文件已被移除。

证据PNG 文件
accuracy_eval_resultassets/accuracy_eval_result.png
env_checkassets/env_check.png
git_submit_resultassets/git_submit_result.png
inference_resultassets/inference_result.png
performance_eval_resultassets/performance_eval_result.png

9. 结果数据直接文本

本节将仓库中已提交的评测 JSON、推理日志、环境日志和性能日志直接写入 README。原始文件路径仅用于标识数据来源，主要数值和输出内容已在下面以文本形式完整展开。

logs/env_check.log

  • 文件大小：2702 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
# Environment Check Log
# Repository: convnext_base_clip_laion2b_adapt
# Model: convnext_base.clip_laion2b
# Date: 2026-05-16 07:03:22

## System Info
Linux pod-8e032c81b34d489191e775768926f3b6 5.10.0-182.0.0.95.r2220_156.hce2.aarch64 #1 SMP Sat Sep 14 02:34:54 UTC 2024 aarch64 aarch64 aarch64 GNU/Linux

## Python
Python 3.11.14
pip 26.0.1 from /usr/local/python3.11.14/lib/python3.11/site-packages/pip (python 3.11)

## NPU Info
+------------------------------------------------------------------------------------------------+
| npu-smi 25.5.2                   Version: 25.5.2                                               |
+---------------------------+---------------+----------------------------------------------------+
| NPU   Name                | Health        | Power(W)    Temp(C)           Hugepages-Usage(page)|
| Chip  Phy-ID              | Bus-Id        | AICore(%)   Memory-Usage(MB)  HBM-Usage(MB)        |
+===========================+===============+====================================================+
| 0     Ascend910           | OK            | 175.5       48                0    / 0             |
| 0     0                   | 0000:0A:00.0  | 0           0    / 0          3107 / 65536         |
+------------------------------------------------------------------------------------------------+
| 0     Ascend910           | OK            | -           48                0    / 0             |
| 1     1                   | 0000:0B:00.0  | 0           0    / 0          2870 / 65536         |
+===========================+===============+====================================================+
+---------------------------+---------------+----------------------------------------------------+
| NPU     Chip              | Process id    | Process name             | Process memory(MB)      |
+===========================+===============+====================================================+
| No running processes found in NPU 0                                                            |
+===========================+===============+====================================================+

## CANN Version
8.5.1

## PyTorch
2.9.0+cpu

## torch_npu
2.9.0.post1+gitee7ba04

## transformers
4.57.6

## Git Info
Branch: main
Commit: 68620ff4f74a5d9c2721604c6f7a1e870053c47a

<redacted sensitive line>
ASCEND_TOOLKIT_HOME=/usr/local/Ascend/cann-8.5.1
PYTHONPATH=/usr/local/Ascend/cann-8.5.1/python/site-packages:/usr/local/Ascend/cann-8.5.1/opp/built-in/op_impl/ai_core/tbe:/usr/local/Ascend/ascend-toolkit/latest/python/site-packages:/usr/local/Ascend/ascend-toolkit/latest/opp/built-in/op_impl/ai_core/tbe:

results/env_info.json

  • 文件大小：529 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
{
  "timestamp": "2026-05-15 01:14:52",
  "os": "Linux-5.10.0-182.0.0.95.r2220_156.hce2.aarch64-aarch64-with-glibc2.35",
  "python": "3.11.14",
  "model": "convnext_base.clip_laion2b",
  "model_class": "ConvNeXt",
  "model_params_m": 88.22,
  "input_size": [
    3,
    256,
    256
  ],
  "output_dim": 640,
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "cann_version": "8.5.1",
  "torch_version": "2.9.0+cpu",
  "torch_npu_version": "2.9.0.post1",
  "timm_version": "1.0.27"
}

logs/inference.json

  • 文件大小：610 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
{
  "model": "convnext_base.clip_laion2b",
  "device": "npu:0",
  "dtype": "float32",
  "image_path": "./test_image.jpg",
  "input_shape": [
    1,
    3,
    256,
    256
  ],
  "embedding_shape": [
    1,
    640
  ],
  "embedding_dim": 640,
  "l2_norm": 16.900206,
  "embedding_sample": [
    0.694659,
    1.097566,
    0.137213,
    -0.08432,
    -0.073505,
    1.115587,
    0.597268,
    0.424845
  ],
  "inference_time_sec": 0.007506,
  "images_per_sec": 133.22,
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "model_load_time_sec": 5.69
}

logs/inference.log

  • 文件大小：521 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
=== convnext_base.clip_laion2b Inference Log ===
model: convnext_base.clip_laion2b
device: npu:0
dtype: float32
image_path: ./test_image.jpg
input_shape: [1, 3, 256, 256]
embedding_shape: [1, 640]
embedding_dim: 640
l2_norm: 16.900206
embedding_sample: [0.694659, 1.097566, 0.137213, -0.08432, -0.073505, 1.115587, 0.597268, 0.424845]
inference_time_sec: 0.007506
images_per_sec: 133.22
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
model_load_time_sec: 5.69

timestamp: 2026-05-15 01:13:20

logs/accuracy_eval.log

  • 文件大小：970 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
=== convnext_base.clip_laion2b Accuracy Evaluation ===
Time: 2026-05-15 01:13:43
NPU available: True (2x Ascend910_9362)
Created 5 test images

Loading model on CPU...
Loading model on NPU...

--- Image 1/5 ---
  Max rel error: 0.021424%
  Mean rel error: 0.005441%
  Cosine similarity: 0.99999997
  SNR: 72.81 dB

--- Image 2/5 ---
  Max rel error: 0.020601%
  Mean rel error: 0.005579%
  Cosine similarity: 0.99999997
  SNR: 72.32 dB

--- Image 3/5 ---
  Max rel error: 0.023260%
  Mean rel error: 0.005786%
  Cosine similarity: 0.99999997
  SNR: 72.44 dB

--- Image 4/5 ---
  Max rel error: 0.024621%
  Mean rel error: 0.005770%
  Cosine similarity: 0.99999997
  SNR: 72.60 dB

--- Image 5/5 ---
  Max rel error: 0.024710%
  Mean rel error: 0.006064%
  Cosine similarity: 0.99999997
  SNR: 72.03 dB

=== Summary ===
  Max rel error: 0.024710%
  Mean rel error: 0.005728%
  Min cosine sim: 0.99999997
  All pass (< 1%): True

results/accuracy_eval.json

  • 文件大小：2155 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
{
  "model": "convnext_base.clip_laion2b",
  "reference_device": "cpu",
  "test_device": "npu:0",
  "npu_name": "Ascend910_9362",
  "num_images": 5,
  "overall_max_rel_error_pct": 0.024710031132049483,
  "overall_mean_rel_error_pct": 0.0057281150663024,
  "overall_min_cosine_similarity": 0.9999999687879697,
  "all_pass_lt_1pct": true,
  "per_image_results": [
    {
      "image_idx": 0,
      "max_abs_error": 0.00047719478607177734,
      "mean_abs_error": 0.00012118802585519007,
      "max_rel_error_pct": 0.02142417053190173,
      "mean_rel_error_pct": 0.005440866095204101,
      "cosine_similarity": 0.9999999739295002,
      "mse": 2.2977244937454227e-08,
      "snr_db": 72.81121266481348
    },
    {
      "image_idx": 1,
      "max_abs_error": 0.00046563148498535156,
      "mean_abs_error": 0.00012609080681613705,
      "max_rel_error_pct": 0.02060116585932178,
      "mean_rel_error_pct": 0.005578698409186525,
      "cosine_similarity": 0.9999999707724179,
      "mse": 2.5276486310203715e-08,
      "snr_db": 72.31539282016331
    },
    {
      "image_idx": 2,
      "max_abs_error": 0.0005173617973923683,
      "mean_abs_error": 0.00012870387126895366,
      "max_rel_error_pct": 0.02326014502132832,
      "mean_rel_error_pct": 0.005786416247993331,
      "cosine_similarity": 0.9999999716061659,
      "mse": 2.552174841747211e-08,
      "snr_db": 72.44055454122685
    },
    {
      "image_idx": 3,
      "max_abs_error": 0.0005109012126922607,
      "mean_abs_error": 0.00011973202781518921,
      "max_rel_error_pct": 0.024621416458613328,
      "mean_rel_error_pct": 0.005770141168264847,
      "cosine_similarity": 0.9999999726498731,
      "mse": 2.3311490465220035e-08,
      "snr_db": 72.60337374850607
    },
    {
      "image_idx": 4,
      "max_abs_error": 0.0005345940589904785,
      "mean_abs_error": 0.00013120261755830142,
      "max_rel_error_pct": 0.024710031132049483,
      "mean_rel_error_pct": 0.006064453410863199,
      "cosine_similarity": 0.9999999687879697,
      "mse": 2.659237872586003e-08,
      "snr_db": 72.02910861326299
    }
  ]
}

logs/performance_eval.log

  • 文件大小：672 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
=== convnext_base.clip_laion2b Performance Evaluation ===
Time: 2026-05-15 01:14:18
NPU: True (2x Ascend910_9362)
Loading model...
Model loaded in 5.66s

--- BS=1 ---
  Avg: 0.0148s  P50: 0.0148s  P90: 0.0148s
  Throughput: 67.58 img/s

--- BS=4 ---
  Avg: 0.0185s  P50: 0.0185s  P90: 0.0185s
  Throughput: 54.14 img/s

--- BS=8 ---
  Avg: 0.0241s  P50: 0.0241s  P90: 0.0241s
  Throughput: 41.50 img/s

--- BS=16 ---
  Avg: 0.0354s  P50: 0.0354s  P90: 0.0354s
  Throughput: 28.27 img/s

=== Summary ===
  bs1: avg=0.0148s thr=67.58
  bs4: avg=0.0185s thr=54.14
  bs8: avg=0.0241s thr=41.50
  bs16: avg=0.0354s thr=28.27
  NPU mem: 1297/62740MB

results/performance_eval.json

  • 文件大小：1916 bytes
  • 以下内容为 README 直接文本转写，不是外部路径引用。
{
  "model": "convnext_base.clip_laion2b",
  "device": "npu:0",
  "dtype": "float32",
  "npu_name": "Ascend910_9362",
  "input_size": [
    3,
    256,
    256
  ],
  "memory_before": {
    "free_mb": 61954.43,
    "total_mb": 62740.0,
    "used_mb": 785.57
  },
  "memory_after": {
    "free_mb": 61443.2,
    "total_mb": 62740.0,
    "used_mb": 1296.8
  },
  "per_batch_results": {
    "bs1": {
      "avg_time_sec": 0.01479809284210205,
      "std_time_sec": 1.5574427931613688e-05,
      "min_time_sec": 0.014770030975341797,
      "max_time_sec": 0.014820098876953125,
      "p50_sec": 0.01479792594909668,
      "p90_sec": 0.014817523956298827,
      "throughput_img_per_sec": 67.57627558295216,
      "num_runs": 10,
      "warmup": 3
    },
    "bs4": {
      "avg_time_sec": 0.018471336364746092,
      "std_time_sec": 1.5112503499940336e-05,
      "min_time_sec": 0.018435955047607422,
      "max_time_sec": 0.018497228622436523,
      "p50_sec": 0.018471956253051758,
      "p90_sec": 0.01848156452178955,
      "throughput_img_per_sec": 54.137934595169504,
      "num_runs": 10,
      "warmup": 3
    },
    "bs8": {
      "avg_time_sec": 0.024097180366516112,
      "std_time_sec": 2.174253261516977e-05,
      "min_time_sec": 0.02407360076904297,
      "max_time_sec": 0.024143457412719727,
      "p50_sec": 0.024092793464660645,
      "p90_sec": 0.024120068550109862,
      "throughput_img_per_sec": 41.49863115891914,
      "num_runs": 10,
      "warmup": 3
    },
    "bs16": {
      "avg_time_sec": 0.03537886142730713,
      "std_time_sec": 2.5946700831783115e-05,
      "min_time_sec": 0.035352468490600586,
      "max_time_sec": 0.035431861877441406,
      "p50_sec": 0.0353696346282959,
      "p90_sec": 0.03542327880859375,
      "throughput_img_per_sec": 28.265465864544506,
      "num_runs": 10,
      "warmup": 3
    }
  }
}

8. 许可证与声明

  • 适配代码许可证以本仓库 license 元数据或 LICENSE 文件为准。
  • 原始模型权重许可证以模型发布方为准。
  • 本仓库不应提交私钥、token、API key、缓存目录或大体积权重文件。
  • 文档中的运行结果来自仓库现有日志和 JSON 结果文件；未验证的数值不会在 README 中虚构。