waylong/timm-regnety_120.pycls_in1k-NPU
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

timm/regnety_120.pycls_in1k on Ascend NPU

1. 简介

本项目将 timm/regnety_120.pycls_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）上运行。使用 ModelScope 下载权重，通过 timm.create_model(pretrained=False) 加载本地权重，实现推理验证、CPU-NPU 精度一致性检查和性能基准测试。

  • 模型来源: ModelScope - timm/regnety_120.pycls_in1k
  • 架构: RegNetY-120 (Facebook pycls)
  • 输入尺寸: 3x224x224
  • 分类数: 1000 (ImageNet-1k)

2. 验证环境

组件版本
NPUAscend910
CANN8.5.1
PyTorch2.9.0+cpu
torch_npu与 CANN 8.5.1 配套
timm1.0.27

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

  • Top-1: class_813 (0.040671)
  • Top-2: class_499 (0.036650)
  • Top-3: class_534 (0.030456)
  • Top-4: class_623 (0.026507)
  • Top-5: class_596 (0.017257)

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_error0.002746
mean_abs_error0.000486
relative_error0.0429%
cosine_similarity1.000000
threshold1.0%
结果PASS
  • CPU Top-1: class_813
  • NPU Top-1: class_813
  • CPU Top-5: class_813, class_499, class_534, class_623, class_596
  • NPU Top-5: class_813, class_499, class_534, class_623, class_596
  • Top-1 match: True
  • Top-5 match: True

5. 性能参考

指标数值
warmup_runs2
benchmark_runs10
avg_latency_ms9.327
min_latency_ms9.211
max_latency_ms9.427
p50_latency_ms9.327
p90_latency_ms9.425
p95_latency_ms9.426
images_per_sec107.21

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

  • logs/inference.log - 推理结果
  • logs/accuracy.log - 精度一致性验证
  • logs/benchmark.log - 性能基准测试

9. 注意事项

  1. 权重通过 ModelScope snapshot_download 下载，禁止 HuggingFace 自动下载。
  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. 权重文件（*.bin, *.safetensors, *.pth 等）不提交到仓库。

10. 标签

#NPU #Ascend #Ascend910 #RegNet #ImageNet