resnet152-plants-classification

1. 简介

本文档记录 jarhmj/resnet152-plants-classification（ResNet-152 植物分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

ResNet-152 图像分类模型，基于 PyTorch torchvision 框架，可实现 30 类植物分类。

2. 验证环境

组件	版本
`torch`	`2.5.1`
`torch_npu`	`2.5.1`
`torchvision`	`>=0.20.0`
`CANN`	`8.5.RC1`

NPU：Ascend910（单卡）
输入尺寸：224x224
类别数：30
推理框架：PyTorch + torchvision

3. 快速部署

3.1 环境准备

pip install torch torchvision pillow

3.2 推理代码

import torch
import torchvision.models as models
from PIL import Image
from torchvision import transforms

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

model = models.resnet152(weights=None, num_classes=30)
ckpt = torch.load("pytorch_model.bin", map_location="cpu")
model.load_state_dict(ckpt, strict=False)
model = model.to(device).eval()

transform = transforms.Compose([
    transforms.Resize(256), transforms.CenterCrop(224),
    transforms.ToTensor(), transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]),
])
img = Image.new("RGB", (224, 224), (128, 128, 128))
input_tensor = transform(img).unsqueeze(0).to(device)

with torch.no_grad():
    output = model(input_tensor)
pred = output.argmax(-1).item()
print(f"Predicted class: {pred}")

4. Smoke 验证

python3 inference.py

验证结果：

模型成功加载到 npu:0
输出预测类别（整数索引）
推理过程无报错

5. 性能参考

测试条件：FP32 / batch=1 / warmup=5 / timed=50 runs，Ascend910 单卡。

指标	数值
平均推理时间	`13.37ms`
测试次数	`50`

6. 精度评测

NPU 与 CPU 输出对比，使用 4 张纯色测试图（RGB 255/0、0/255/0、0/0/255、128/128/128），比较 logits 一致性。

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	`0.07%`
平均 KL 散度	`0.000001`
结论	`PASS`

1. 简介

本文档记录 jarhmj/resnet152-plants-classification（ResNet-152 植物分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

ResNet-152 图像分类模型，基于 PyTorch torchvision 框架，可实现 30 类植物分类。

相关获取地址：

参考文档：

组件

版本

torch

2.5.1

torch_npu

2.5.1

torchvision

>=0.20.0

CANN

8.5.RC1

3. 快速部署

3.1 环境准备

pip install torch torchvision pillow

3.2 推理代码

import torch
import torchvision.models as models
from PIL import Image
from torchvision import transforms

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

model = models.resnet152(weights=None, num_classes=30)
ckpt = torch.load("pytorch_model.bin", map_location="cpu")
model.load_state_dict(ckpt, strict=False)
model = model.to(device).eval()

transform = transforms.Compose([
    transforms.Resize(256), transforms.CenterCrop(224),
    transforms.ToTensor(), transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]),
])
img = Image.new("RGB", (224, 224), (128, 128, 128))
input_tensor = transform(img).unsqueeze(0).to(device)

with torch.no_grad():
    output = model(input_tensor)
pred = output.argmax(-1).item()
print(f"Predicted class: {pred}")

指标

数值

平均推理时间

13.37ms

测试次数

50

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

0.07%

平均 KL 散度

0.000001

结论

PASS