timm/efficientnet_b4.ra2_in1k on Ascend NPU

1. 简介

本项目将 timm/efficientnet_b4.ra2_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）上运行。使用 ModelScope 下载本地权重，timm.create_model(pretrained=False) 加载，支持真实 NPU 推理、CPU-NPU 精度一致性验证和性能基准测试。

2. 验证环境

npu_available=True, device=Ascend910_9362

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_975 (0.138289)
• Top-2: class_979 (0.114986)
• Top-3: class_738 (0.039430)
• Top-4: class_425 (0.015641)
• Top-5: class_449 (0.015503)

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_975
• NPU Top-1: class_975
• CPU Top-5: class_975, class_979, class_738, class_425, class_449
• NPU Top-5: class_975, class_979, class_738, class_425, class_449
• Top-1 match: True
• Top-5 match: True

5. 性能参考

输入尺寸: [1, 3, 320, 320]

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.png 与 screenshots/self_verification.txt。

8. 日志文件

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

9. 注意事项

• 权重通过 ModelScope snapshot_download 下载，推理时 pretrained=False 并加载本地权重。
• 预处理使用 timm.data.resolve_model_data_config + create_transform，自动匹配模型输入尺寸。
• 不包含模型权重文件（*.bin / *.safetensors / *.pth / *.pt / *.ckpt / *.onnx）。

10. 标签

#NPU #Ascend #Ascend910 #timm #efficientnet #image-classification