timm/swin_small_patch4_window7_224.ms_in1k on Ascend NPU

1. 简介

本项目将 timm/swin_small_patch4_window7_224.ms_in1k 图片分类模型适配到单卡昇腾 NPU (Ascend910)。

模型基于 Swin Transformer 架构，使用 ImageNet-1k 训练，输入分辨率 224x224。适配过程使用 ModelScope 下载权重，通过 timm.create_model(pretrained=False) 加载本地权重，并在 NPU 上完成推理验证、精度一致性检查和性能基准测试。

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: cliff (0.3926)
• Top-2: valley (0.2803)
• Top-3: alp (0.0713)
• Top-4: lakeshore (0.0285)
• Top-5: promontory (0.0225)

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: 972
• NPU Top-1: 972
• CPU Top-5: 972, 974, 970, 975, 977
• NPU Top-5: 972, 974, 970, 975, 977
• Top-1 match: True
• Top-5 match: True

5. 性能参考

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。

8. 日志文件

9. 注意事项

• 权重通过 ModelScope 下载，严禁使用 HuggingFace 自动下载。
• 推理时使用 timm.data.resolve_model_data_config 获取预处理参数，确保与训练时一致。
• 本项目不提交模型权重文件（.bin, .safetensors, .pth, .pt, .ckpt, .onnx）。

10. 标签

#NPU #Ascend #Ascend910 #timm #SwinTransformer #ImageNet