vit_small_patch14_reg4_dinov2.lvd142m on Ascend NPU
1. 简介
本文档记录 vit_small_patch14_reg4_dinov2.lvd142m 在昇腾 NPU（Ascend 910B3）环境的适配部署与精度验证结果。
DINOv2 ViT-Small（vit_small_patch14_reg4_dinov2）是一种基于 Vision Transformer 的视觉特征提取模型，参数量约 22.1M，输出 384 维图像特征向量，可用于图像分类、检索、分割等下游任务。该模型引入了 register token 机制（4 个 register token），提升特征质量。本项目完成该模型在昇腾 NPU 上的推理适配，并验证 NPU 与 CPU 推理结果的精度误差 < 1%。
相关地址：
2. 验证环境
| 组件 | 版本 |
|---|
| Python | 3.11.15 |
| PyTorch | 2.10.0+cpu |
| torch_npu | 2.10.0 |
| torchvision | 0.25.0+cpu |
| timm | 1.0.27 |
| CANN | 8.5.1 |
| NPU 驱动 | 25.5.2 |
| NPU 硬件 | Ascend 910B3 (8卡) |
| 操作系统 | Linux (aarch64) |
3. 模型信息
| 项目 | 值 |
|---|
| 模型架构 | ViT-Small/14 (DINOv2 with registers) |
| 参数量 | ~22.1M |
| 特征维度 | 384 |
| Layers | 12 |
| Attention Heads | 6 |
| Patch Size | 14 |
| Register Tokens | 4 |
| 输入尺寸 | 3×518×518 |
| 输出特征形状 | (1, 384) |
| 权重格式 | safetensors / pytorch_model.bin |
| 原始框架 | PyTorch (timm) |
| 预训练数据 | LVD-142M |
| 许可证 | Apache-2.0 |
4. Conda 环境安装
创建独立的 conda 环境并安装依赖（使用华为云 PyPI 镜像加速）：
# 创建 conda 环境
conda create -n vit_small_patch14_reg4_dinov2 python=3.11 -y
# 激活环境
conda activate vit_small_patch14_reg4_dinov2
# 安装 PyTorch 及相关依赖（华为云镜像）
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 torch_npu（根据环境选择对应版本）
pip install torch_npu==2.10.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 timm 及其他依赖
pip install timm safetensors pillow --index-url https://repo.huaweicloud.com/repository/pypi/simple/
如果 HuggingFace 网络不通，设置镜像：
export HF_ENDPOINT=https://hf-mirror.com/
5. 推理执行
单张图像推理
# NPU 推理（默认）
python3 inference.py \
--model_path /path/to/vit_small_patch14_reg4_dinov2.lvd142m \
--image_path /path/to/image.jpg \
--device npu:0
# CPU 推理
python3 inference.py \
--model_path /path/to/vit_small_patch14_reg4_dinov2.lvd142m \
--image_path /path/to/image.jpg \
--device cpu
精度与性能评测
# 自动生成测试图像，对比 NPU 与 CPU 推理精度
python3 eval.py \
--model_path /path/to/vit_small_patch14_reg4_dinov2.lvd142m \
--npu_device npu:0
评测结果日志将输出到 log.txt。
6. 参数说明
inference.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径（包含 config.json, model.safetensors） | 必需 |
--image_path | 输入图像路径 | 必需 |
--device | 运行设备，可选 npu:0 或 cpu | npu:0 |
--weight_file | 权重文件名，可选 model.safetensors 或 pytorch_model.bin | model.safetensors |
--no_warmup | 跳过预热阶段 | False |
--warmup_image | 预热用图像路径 | 同 --image_path |
eval.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径 | 模型路径 |
--image_path | 测试图像路径（默认自动生成） | 自动生成 |
--npu_device | NPU 设备 ID | npu:0 |
--num_warmup | NPU 预热轮数 | 3 |
7. 精度评测结果
评测方法
使用同一张测试图像分别在 CPU（FP32）和 NPU（FP32）上运行推理，对比输出特征向量的差异。
评价指标说明
| 指标 | 含义 | 判定阈值 |
|---|
| 向量级相对误差 | ` | |
| 余弦相似度 | NPU 与 CPU 输出向量间的方向一致性 | > 0.99 |
| 最大/平均绝对误差 | 逐元素差值统计，反映数值偏差的绝对量级 | — |
精度结果
| 输出张量 | 向量级相对误差 | 余弦相似度 | 最大绝对误差 | 平均绝对误差 |
|---|
| features | 0.350565% | 0.9999937415 | 2.21e-02 | 3.92e-03 |
判定结论
| 指标 | 实测值 | 阈值 | 状态 |
|---|
| 向量级相对误差 | 0.35% | < 1% | PASS |
| 余弦相似度 | 0.999994 | > 0.99 | PASS |
8. 性能数据
| 操作 | 耗时 |
|---|
| CPU 推理时间（FP32） | 0.36s |
| NPU 推理时间（FP32，3轮预热后） | 0.37s |
| 加速比 (CPU / NPU) | ~1x（小模型，NPU 调度开销占比大） |
9. 注意事项
- 首次加载：首次加载模型权重会从本地读取 safetensors/bin 文件，耗时约 2-3 秒。
- NPU 预热：NPU 首次推理包含编译优化，通常需要 1-2 轮预热才能达到稳定性能。脚本默认开启 3 轮预热。
- 精度：本模型使用 FP32 精度，NPU 与 CPU 输出误差极小（远小于 1%），不影响下游任务效果。
- 内存占用：NPU 推理约占用 1-2GB 显存。
- 权重文件：模型权重（.safetensors/.bin）不包含在适配仓库中，需单独下载。
- timm 模型：本模型基于 timm 库，与 transformers 的 AutoModel 加载方式不同，需通过
timm.create_model() 创建架构后加载本地权重。
