Xenova-resnet-26

1. 简介

本文档记录 microsoft/resnet-26（ResNet-26 图像分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

ResNet-26 图像分类模型，基于 HuggingFace transformers 框架，1000 类 ImageNet 分类。

2. 验证环境

组件	版本
`torch`	`2.5.1`
`torch_npu`	`2.5.1`
`transformers`	`>=4.48.0`
`CANN`	`8.5.RC1`

NPU：Ascend910（单卡）
输入尺寸：224x224
类别数：1000
推理框架：PyTorch + transformers

3. 快速部署

3.1 环境准备

pip install transformers torch torchvision pillow

3.2 推理代码

import torch
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image

device = torch.device("npu:0" if torch.npu.is_available() else "cpu")

processor = AutoImageProcessor.from_pretrained("microsoft/resnet-26")
model = AutoModelForImageClassification.from_pretrained("microsoft/resnet-26")
model = model.to(device).eval()

image = Image.new("RGB", (224, 224), (128, 128, 128))
inputs = processor(images=image, return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}

with torch.no_grad():
    outputs = model(**inputs)
pred = outputs.logits.argmax(-1).item()
print(f"Predicted class: {pred}")

4. 冒烟验证

python3 inference.py

5. 性能参考

指标	数值
平均推理时间	`2.96ms`
测试次数	`50`

6. 精度评测

指标	数值
Top-1 一致性	`4/4`
Top-5 一致性	`4/4`
最大 logits 相对误差	`0.12%`
平均 KL 散度	`0.000001`
结论	`PASS`

Xenova-resnet-26

1. 简介

本文档记录 microsoft/resnet-26（ResNet-26 图像分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

ResNet-26 图像分类模型，基于 HuggingFace transformers 框架，1000 类 ImageNet 分类。

2. 验证环境

组件	版本
`torch`	`2.5.1`
`torch_npu`	`2.5.1`
`transformers`	`>=4.48.0`
`CANN`	`8.5.RC1`

NPU：Ascend910（单卡）
输入尺寸：224x224
类别数：1000
推理框架：PyTorch + transformers

3. 快速部署

3.1 环境准备

pip install transformers torch torchvision pillow

3.2 推理代码

import torch
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image

device = torch.device("npu:0" if torch.npu.is_available() else "cpu")

processor = AutoImageProcessor.from_pretrained("microsoft/resnet-26")
model = AutoModelForImageClassification.from_pretrained("microsoft/resnet-26")
model = model.to(device).eval()

image = Image.new("RGB", (224, 224), (128, 128, 128))
inputs = processor(images=image, return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}

with torch.no_grad():
    outputs = model(**inputs)
pred = outputs.logits.argmax(-1).item()
print(f"Predicted class: {pred}")

4. 冒烟验证

python3 inference.py

5. 性能参考

指标	数值
平均推理时间	`2.96ms`
测试次数	`50`

6. 精度评测

指标	数值
Top-1 一致性	`4/4`
Top-5 一致性	`4/4`
最大 logits 相对误差	`0.12%`
平均 KL 散度	`0.000001`
结论	`PASS`