timm/resnet50.tv_in1k on Ascend NPU

1. 简介

本项目将 timm/resnet50.tv_in1k 图片分类模型适配到昇腾 NPU（Ascend910）上运行。使用 ModelScope 下载本地权重，通过 timm.create_model(pretrained=False) 加载，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

2. 验证环境

详细环境信息见 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_562 (0.9487)
• Top-2: class_815 (0.0062)
• Top-3: class_862 (0.0046)
• Top-4: class_904 (0.0033)
• Top-5: class_580 (0.0030)

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_562
• NPU Top-1: class_562
• CPU Top-5: class_562, class_815, class_862, class_904, class_580
• NPU Top-5: class_562, class_815, class_862, class_904, class_580
• 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.png。

8. 日志文件

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

9. 注意事项

1. 权重通过 ModelScope snapshot_download 本地加载，严禁 pretrained=True 自动从 HuggingFace 下载。
2. ResNet50 输入尺寸为 224x224，预处理由 timm.data.resolve_model_data_config 自动解析。
3. 推理、精度验证、性能测试均使用 npu:0 真实设备运行。
4. 仓库不包含模型权重文件（*.bin, *.safetensors, *.pth 等已加入 .gitignore）。

10. 标签

#NPU #Ascend #Ascend910 #timm #resnet50 #image-classification