v
v50_/timm-ghostnet_100.in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/ghostnet_100.in1k on Ascend NPU

1. 简介

本项目将 timm/ghostnet_100.in1k 图片分类模型适配到华为昇腾 NPU（Ascend910）上运行。

  • 原始模型：timm/ghostnet_100.in1k
  • 模型类型：图像分类（ImageNet-1k，1000 类）
  • 适配方式：ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 创建结构并加载本地权重
  • 运行设备：单卡 Ascend NPU（npu:4）

2. 验证环境

  • NPU: Ascend910B
  • PyTorch + torch_npu
  • modelscope, timm, safetensors

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）：

RankClassProbability
1class_6490.6169
2class_9720.0386
3class_8250.0111
4class_5000.0108
5class_2100.0108

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_error0.005627
mean_abs_error0.001117
relative_error0.1317%
cosine_similarity0.999999
threshold1.0%
结果PASS
  • CPU Top-1: class_649
  • NPU Top-1: class_649
  • CPU Top-5: class_649, class_972, class_825, class_210, class_500
  • NPU Top-5: class_649, class_972, class_825, class_500, class_210
  • Top-1 match: True
  • Top-5 match: False

5. 性能参考

指标数值
Warmup2
Runs10
avg latency22.380 ms
min latency18.701 ms
max latency28.235 ms
p50 latency21.130 ms
p90 latency28.235 ms
p95 latency28.235 ms
Throughput44.68 images/sec

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/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

9. 竞赛提交信息

项目链接
原始权重模型地址https://modelscope.cn/models/timm/ghostnet_100.in1k
提交项目地址https://ai.gitcode.com/v50_/timm-ghostnet_100.in1k-NPU

提交说明：适配 timm/ghostnet_100.in1k 到昇腾 NPU (Ascend910)。使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 加载本地权重，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

10. 注意事项

  • 权重通过 ModelScope 下载，运行时自动缓存到本地
  • 推理脚本使用 pretrained=False 并通过 load_state_dict 加载本地权重
  • 不使用 HuggingFace 直连下载
  • 不提交权重文件（*.bin / *.safetensors / *.pth / *.pt / *.ckpt / *.onnx 已加入 .gitignore）

11. 标签

#NPU #Ascend #Ascend910 #ImageClassification #timm