timm/efficientnet_el_pruned.in1k on Ascend NPU - Feature Extraction

1. 简介

本项目将 timm/efficientnet_el_pruned.in1k 图像特征提取模型适配到华为昇腾 NPU（Ascend910B4）上运行。

• 原始模型：timm/efficientnet_el_pruned.in1k
• 模型类型：图像特征提取（输出 1536 维 embedding 向量）
• 适配方式：ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False, num_classes=0) 创建结构并加载本地权重
• 运行设备：单卡 Ascend NPU

2. 验证环境

• NPU: Ascend910B4
• torch: 2.10.0
• torch_npu: 2.10.0
• timm: 1.0.27

安装依赖：

pip install -r requirements.txt

3. 推理运行

python inference.py

推理结果示例（单张测试图片）：

• Feature dim: 1536
• Embedding L2 norm: 见 logs/inference.log
• 状态: SUCCESS

推理代码：

import torch
from PIL import Image
import model_utils

model, model_dir, weights_path, missing, unexpected = model_utils.load_model()
model = model.to("npu:0").eval()

image = Image.open("test.jpg").convert("RGB")
inputs = model_utils.preprocess(image, model).to("npu:0")

with torch.no_grad():
    embedding = model(inputs)
    normalized = torch.nn.functional.normalize(embedding, p=2, dim=-1)

4. 精度验证

python eval_accuracy.py

对单张测试图片进行 CPU 与 NPU embedding 一致性验证：

CPU与NPU输出的embedding向量余弦相似度达到 0.999999，相对误差 0.1474%，精度验证PASS。

5. 性能参考

python benchmark.py

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非完整验证集评估。

7. 项目文件

8. 注意事项

• 使用 timm.create_model(name, pretrained=False, num_classes=0) 创建模型
• 特征提取输出 embedding 向量，非分类标签
• CPU-NPU embedding cosine_similarity >= 0.999