timm/mobilenetv4_conv_large.e500_r256_in1k on Ascend NPU

1. 简介

本项目将 timm/mobilenetv4_conv_large.e500_r256_in1k 图片分类模型适配到华为昇腾 NPU (Ascend910)。 使用 ModelScope 下载本地权重，通过 timm.create_model(pretrained=False) 加载，实现 NPU 真实推理、CPU-NPU 精度一致性验证及性能基准测试。

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_976 (0.397507)
• Top-2: class_978 (0.289248)
• Top-3: class_972 (0.022248)
• Top-4: class_437 (0.016930)
• Top-5: class_977 (0.009064)

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_976
• NPU Top-1: class_976
• CPU Top-5: class_976, class_978, class_972, class_437, class_977
• NPU Top-5: class_976, class_978, class_972, class_437, class_977
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试配置：batch=1，输入尺寸 3x256x256，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

• 严禁使用 timm.create_model(..., pretrained=True)，权重必须通过 ModelScope snapshot_download 本地加载。
• 本仓库不提交任何权重文件（*.bin, *.safetensors, *.pth, *.pt, *.ckpt, *.onnx 等已在 .gitignore 中排除）。
• 推理输入尺寸为 256x256（由模型名 r256 决定），非标准 224x224。

10. 标签

#NPU #Ascend #Ascend910 #timm #MobileNetV4 #ImageClassification