timm/efficientnet_b5.sw_in12k_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/efficientnet_b5.sw_in12k_ft_in1k 模型适配到昇腾 NPU (Ascend910) 上进行单图推理验证。

该模型为 EfficientNet-B5，在 ImageNet-12k 上预训练并在 ImageNet-1k 上微调，输入分辨率为 448x448，输出 1000 类分类结果。

适配要点：

• 使用 ModelScope snapshot_download 下载权重，避免 HuggingFace 自动下载
• 使用 timm.create_model(..., pretrained=False) + 本地权重加载
• 使用 timm.data.resolve_model_data_config 自动解析预处理配置
• 单卡 NPU (npu:0) 真实推理验证

2. 验证环境

环境检查日志：logs/env_check.log

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_984 (0.472293)
• Top-2: class_138 (0.022324)
• Top-3: class_998 (0.012309)
• Top-4: class_353 (0.010512)
• Top-5: class_975 (0.009882)

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_984
• NPU Top-1: class_984
• CPU Top-5: class_984, class_138, class_998, class_353, class_975
• NPU Top-5: class_984, class_138, class_998, class_353, class_975
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试配置：单卡 Ascend910，batch_size=1，输入尺寸 448x448，预热 2 次，正式测试 10 次取平均。

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。

8. 日志文件

9. 注意事项

1. 权重通过 ModelScope 下载，首次运行需联网；后续会从本地缓存加载
2. 该模型输入尺寸为 448x448（非 224x224），由 timm.data.resolve_model_data_config 自动解析
3. 模型未提供 id2label 映射，推理结果以 class_{index} 形式展示
4. 禁止将权重文件（*.bin, *.safetensors, *.pth 等）提交到 Git 仓库

10. 标签

#NPU #Ascend #Ascend910 #EfficientNet #ImageNet