Gender Classification (ViT) on Ascend NPU

1. 简介

本文档记录 rizvandwiki/gender-classification 在 Ascend 910B3 NPU 环境下的适配与验证结果。

该模型基于 Vision Transformer（ViT）架构（google/vit-base-patch16-224-in21k 微调），用于人脸图像的性别分类，支持 2 个类别：

• female：女性
• male：男性

模型在测试集上达到 92.44% 的准确率。

本仓库提供：

• inference.py：NPU 推理脚本，支持单张/批量图片性别分类
• eval.py：精度与性能评测脚本
• log.txt：评测运行日志

相关获取地址：

• 权重下载地址（HuggingFace）：https://huggingface.co/rizvandwiki/gender-classification
• 镜像加速：https://hf-mirror.com

2. 验证环境

• NPU：Ascend 910B3，1 逻辑卡
• 模型架构：ViTForImageClassification（ViT-base）
• 隐藏层维度：768
• 注意力头数：12
• 隐藏层数：12
• 输入尺寸：224x224 RGB
• Patch 大小：16x16
• 分类数：2（female, male）

3. 推理启动

启动前可先检查 NPU 可用性：

python3 -c "import torch; print(f'NPU available: {torch.npu.is_available()}')"

环境准备：

pip install torch torch_npu transformers Pillow
export ASCEND_RT_VISIBLE_DEVICES=0

已验证通过的推理命令：

单张图片分类：

python inference.py --image path/to/face.jpg

批量图片分类：

python inference.py --image-dir path/to/images/
python inference.py --image img1.jpg --image img2.jpg

CPU 推理（参考基准）：

python inference.py --device cpu --image path/to/face.jpg

输出格式：

{
  "model": "rizvandwiki--gender-classification",
  "device": "npu:0",
  "num_images": 1,
  "inference_time_seconds": 0.025,
  "results": [
    {
      "image": "face.jpg",
      "prediction": "female",
      "confidence": 0.9821
    }
  ]
}

4. Smoke 验证

python inference.py --image test_images/female_face_a.jpg

预期输出：

• 返回 JSON 格式结果
• prediction 为性别分类结果（female/male）
• confidence 为置信度（0~1）
• 推理时间应在百毫秒以内

验证结果：

• 推理在 NPU 上正常完成
• 输出格式符合预期

5. 性能参考

测试条件：4 张图片，batch_size=4。

注：本性能为处理单张图片的时间。CPU 推理耗时较长（~0.9s），NPU 推理显著加速。

6. 精度评测

精度评测采用预测一致率和概率误差双指标。

结论：NPU 与 CPU 的分类预测结果完全一致（100%），概率误差极小，精度通过验证。

7. 注意事项

1. 图片预处理：使用 ViTImageProcessor 自动进行 resize（224x224）、rescale 和 normalize。
2. 图片格式：支持 JPG、PNG、BMP 等常见格式，内部自动转换为 RGB 三通道。
3. 测试图片：本仓库的 test_images/ 为程序生成的合成人脸图片，仅用于精度对比测试，不能反映模型在真实数据上的分类准确率。
4. ViT 优势：与 CNN 模型相比，ViT 通过自注意力机制捕获全局特征，在 NPU 上利用矩阵运算加速效果显著。
5. 应用场景：适合作为人脸分析管线中的性别识别组件，配合人脸检测模型使用效果更佳。