timm/convnext_base.fb_in22k_ft_in1k_384 on Ascend NPU

1. 简介

本项目将 timm/convnext_base.fb_in22k_ft_in1k_384 图片分类模型适配到华为昇腾 NPU (Ascend910) 上运行。模型通过 ModelScope 下载本地权重，使用 timm.create_model(pretrained=False) 加载，确保完全在 NPU 上完成推理。

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_904 (0.3550)
• Top-2: class_794 (0.0487)
• Top-3: class_971 (0.0281)
• Top-4: class_669 (0.0265)
• Top-5: class_419 (0.0263)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_904
• NPU Top-1: class_904
• CPU Top-5: class_904, class_794, class_971, class_669, class_419
• NPU Top-5: class_904, class_794, class_971, class_669, class_419
• Top-1 match: True
• Top-5 match: True

5. 性能参考

日志保存在 logs/benchmark.log。

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非官方 ImageNet 完整验证集评测。详细指标见第 4 节。

7. 自验证截图

见 screenshots/self_verification.txt 和 screenshots/self_verification.png。

8. 日志文件

• logs/inference.log — 推理结果
• logs/accuracy.log — CPU-NPU 精度一致性
• logs/benchmark.log — 性能基准测试
• logs/env_check.log — 环境检查

9. 注意事项

1. 权重通过 ModelScope snapshot_download 自动下载到本地缓存。
2. 严禁使用 pretrained=True，必须通过本地权重加载。
3. 推理输入尺寸为 384x384，与模型训练配置一致。
4. 首次运行会自动下载模型权重（约 338MB）。

10. 标签

#NPU #Ascend #Ascend910 #ConvNeXt #ImageClassification