sheeps_/timm-resnext50_32x4d.a1_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/resnext50_32x4d.a1_in1k on Ascend NPU

1. 简介

本项目将 timm/resnext50_32x4d.a1_in1k 图片分类模型适配到昇腾 NPU (Ascend910) 上运行。

  • 模型来源: ModelScope - timm/resnext50_32x4d.a1_in1k
  • 模型类型: Image Classification (ResNeXt)
  • 适配方式: timm.create_model(pretrained=False) + ModelScope 本地权重加载
  • 推理设备: Ascend910

2. 验证环境

项目版本/信息
NPUAscend910
CANN8.5.1
torchPyTorch (with torch_npu)
timmlatest

环境详情见 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_701 (0.0146)
  • Top-2: class_405 (0.0121)
  • Top-3: class_21 (0.0113)
  • Top-4: class_783 (0.0081)
  • Top-5: class_644 (0.0080)

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：

指标数值
max_abs_error0.017160
mean_abs_error0.004148
relative_error0.0607%
cosine_similarity1.000000
threshold1.0%
结果PASS
  • CPU Top-1: class_701
  • NPU Top-1: class_701
  • CPU Top-5: class_701, class_405, class_21, class_783, class_644
  • NPU Top-5: class_701, class_405, class_21, class_783, class_644
  • Top-1 match: True
  • Top-5 match: True

5. 性能参考

指标数值
avg_latency_ms5.90
min_latency_ms5.85
max_latency_ms5.98
p50_latency_ms5.90
p90_latency_ms5.98
p95_latency_ms5.98
images_per_sec169.43

测试配置：batch_size=1, 预热 2 次, 正式 10 次, 单卡 Ascend910

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 和 screenshots/self_verification.txt。

8. 日志文件

文件内容
logs/env_check.logNPU 环境检查
logs/inference.logNPU 推理结果
logs/accuracy.logCPU-NPU 精度一致性
logs/benchmark.log性能基准测试

9. 注意事项

  1. 权重通过 ModelScope snapshot_download 下载，严禁使用 timm.create_model(..., pretrained=True) 自动从 HuggingFace 下载。
  2. 推理时使用 timm.data.resolve_model_data_config + create_transform 进行预处理。
  3. NPU 推理前后调用 torch.npu.synchronize() 确保时序正确。
  4. 测试图片使用占位图（网络下载失败时回退），实际部署时请替换为真实图片。

10. 标签

#NPU #Ascend #Ascend910 #timm #ResNeXt #ImageClassification