HEp-2 细胞图像分类模型 — Ascend NPU 适配验证

1. 简介

本文档记录 Genius-Society/HEp2 人喉表皮样癌细胞图像分类模型在 华为 Ascend 910 NPU 环境的适配、推理验证与性能评测结果。

模型采用改进的 AlexNet 架构，输入 224×224 细胞图像，输出 6 类染色模式分类：Centromere、Golgi、Homogeneous、NuMem、Nucleolar、Speckled。训练数据来源于 2014 年 ICPR 细胞图像分类竞赛数据集 (8,701 训练 / 2,175 验证 / 2,720 测试)。

获取地址

2. 验证环境

3. 模型部署与推理

3.1 环境准备

pip install modelscope torch torchvision pillow numpy

NPU 环境需确保已安装与 CANN 版本匹配的 torch_npu。

3.2 下载模型

modelscope download --model Genius-Society/HEp2 --local_dir ./HEp2_model

3.3 NPU 推理

python inference.py --image examples/Homogeneous.png --device npu --verbose --benchmark 100

推理示例输出：

Using device: npu:0
Model loaded with 61,106,846 parameters
Image preprocessed: shape=torch.Size([1, 3, 224, 224])
Benchmark: 100 runs, avg 1.05 ms/inference
Prediction: Homogeneous (class 2), confidence: 0.9636

All class probabilities:
  Centromere  : 0.000049
  Golgi       : 0.001754
  Homogeneous : 0.963636 <--
  NuMem       : 0.004874
  Nucleolar   : 0.005097
  Speckled    : 0.024590

3.4 CPU 推理 (对比基线)

python inference.py --image examples/Homogeneous.png --device cpu --verbose --benchmark 10

3.5 完整评测

python evaluate.py --test-dir examples --output eval_results.json --csv-output eval_results.csv

4. 精度验证

4.1 NPU vs CPU 精度对比

在 6 张示例图像上对比 NPU 与 CPU 的推理输出，以 CPU 结果为基线。

4.2 精度汇总

5. 性能评测

5.1 延迟对比

5.2 吞吐量对比 (batch_size=16)

5.3 模型信息

6. 交付件清单

7. 注意事项

1. 模型加载：原始 save.pt 使用 torch.save(model) 保存完整模型对象。本适配已将权重提取为 model_state_dict.pt，重建模型结构与 train.py 中定义的 AlexNet + 自定义分类头完全一致。

2. 预处理一致性：推理输入应与训练时保持一致：Resize(224) → CenterCrop(224) → ToTensor → Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))。

3. RandomAffine：训练时使用 RandomAffine(5) 做数据增强，推理对比时可排除此变换以保证确定性输出。

4. NPU 精度：NPU 推理与 CPU 基线误差远小于 1% 阈值，最大仅 0.0156%，精度完全满足生产部署要求。

5. 性能优势：Ascend 910 NPU 单张推理延迟约 1.0ms，相比 CPU 加速超过 125 倍，适合高吞吐批量推理场景。