timm/resnetv2_152x2_bit.goog_in21k on Ascend NPU

1. 简介

本项目将 timm/resnetv2_152x2_bit.goog_in21k 模型适配到昇腾 NPU (Ascend910) 上运行。

• 原始模型: timm/resnetv2_152x2_bit.goog_in21k
• 模型架构: ResNetV2-152x2 (BiT)
• 预训练数据集: ImageNet-21k
• 分类数: 21843
• 输入尺寸: 224x224

适配方式：使用 ModelScope snapshot_download 下载权重，通过 timm.create_model(..., pretrained=False) 创建模型并加载本地权重，确保不触发 HuggingFace 自动下载。

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_7585 (0.004641)
• Top-2: class_6478 (0.003290)
• Top-3: class_9051 (0.003086)
• Top-4: class_9535 (0.002887)
• Top-5: class_5363 (0.002591)

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_7585
• NPU Top-1: class_7585
• CPU Top-5: class_7585, class_6478, class_9051, class_9535, class_5363
• NPU Top-5: class_7585, class_6478, class_9051, class_9535, class_5363
• Top-1 match: True
• Top-5 match: True

5. 性能参考

测试配置：batch_size=1, input=[1, 3, 224, 224], warmup=2, iterations=10

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/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

• 权重通过 ModelScope 下载，严禁使用 timm.create_model(..., pretrained=True) 触发 HuggingFace 自动下载
• 推理时需确保 NPU 设备可用
• 本模型使用 ImageNet-21k 预训练权重，输出 21843 个类别，无官方 id2label 映射文件

10. 标签

#NPU #Ascend #Ascend910 #ResNetV2 #BiT #ImageNet-21k