timm/tf_efficientnet_b5.ns_jft_in1k 在昇腾 NPU 上的部署

1. 简介

本项目将 timm/tf_efficientnet_b5.ns_jft_in1k 图像分类模型适配到单卡昇腾 NPU（Ascend910）上运行。模型来源于 ModelScope，使用 timm 框架加载，通过 pretrained=False + 本地权重加载的方式避免 HuggingFace 自动下载。

• 模型参数：30.39M
• 输入尺寸：456 x 456
• 输出类别：1000（ImageNet-1k）

2. 验证环境

npu-smi 信息：

+--------------------------------------------------------------------------------------------+
| npu-smi 25.5.2                   Version: 25.5.2                                           |
| NPU   Name          | Health | Power(W) | Temp(C) | Memory-Usage(MB) | HBM-Usage(MB)      |
| 6     Ascend910     | OK     | 163.7    | 43      | 0 / 0            | 3106 / 65536       |
+--------------------------------------------------------------------------------------------+

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_977 (0.319212)
• Top-2: class_978 (0.248938)
• Top-3: class_976 (0.045358)
• Top-4: class_437 (0.040948)
• Top-5: class_460 (0.025674)

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_977
• NPU Top-1: class_977
• CPU Top-5: class_977, class_978, class_976, class_437, class_460
• NPU Top-5: class_977, class_978, class_976, class_437, class_460
• Top-1 match: True
• Top-5 match: True

5. 性能参考

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 snapshot_download 下载，严禁使用 pretrained=True 从 HuggingFace 自动下载。
2. 输入尺寸由 timm.data.resolve_model_data_config 自动解析，本模型为 456 x 456。
3. 推理脚本已包含 torch.npu.synchronize() 确保计时准确。
4. 精度阈值设定为 relative_error < 1.0%。

10. 标签

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