cv_resnet101_image-single-human-parsing - 昇腾 NPU 适配

1. 模型简介

单人人体解析模型，基于 M2FP (Mask2Former for Parsing) 架构 + ResNet101 骨干网络，可对单人图像进行 20 类语义分割（帽子、头发、上衣、裤子、鞋子等）。

• 原始模型: iic/cv_resnet101_image-single-human-parsing
• 框架: PyTorch
• 任务: Image Single Human Parsing (20 classes)

2. 昇腾 NPU 适配结果

3. 环境要求

4. 快速使用

# 设置环境
export ASCEND_HOME_PATH=/usr/local/Ascend/cann
export LD_LIBRARY_PATH=/usr/local/Ascend/cann/lib64:$LD_LIBRARY_PATH

# 安装依赖
pip install torch torch_npu torchvision

# 运行推理
python inference.py --device npu:0 --dtype float16

# 运行精度验证
python evaluate.py --device npu:0 --output report.json

5. 推理输出证据

NPU 推理输出（float16, 512x512）:

模型: iic/cv_resnet101_image-single-human-parsing
设备: npu:0
精度: float16
------------------------------------------------------------
  pred_logits: shape=[1, 100, 21]
  pred_masks: shape=[1, 100, 64, 64]
  pred_logits NaN: False
  pred_masks NaN: False

✓ 推理完成

6. CPU 与 NPU 精度对比

7. 模型结构

• 骨干网络（Backbone）: ResNet101（深度茎干，4 个阶段）
• 像素解码器（Pixel Decoder）: MSDeformAttn 编码器（6 层）
• 预测器（Predictor）: Mask2Former 解码器（9 层，100 个查询）
• 输入: 512x512 RGB 图像
• 输出: pred_logits [1,100,21] + pred_masks [1,100,64,64]

8. 验证报告

详见 report.json 和 logs/02_evaluate.log。

9. 智能体技能（Agent Skill）

本适配由 vision-encoder-npu-adapt 智能体技能自动完成。