cv_dla34_table-structure-recognition_cycle-centernet on Ascend NPU

1. 简介

本文档记录 DLASeg 表格结构识别模型在昇腾 NPU (Ascend 910B3) 上的迁移适配与精度验证结果。

该模型基于 DLA34 (Deep Layer Aggregation) 骨干网络和 CenterNet 检测头，用于识别表格中的单元格结构（行/列分割），输出包括热力图（hm）、中心点偏移（reg）等。

2. 验证环境

组件	版本
`CANN`	`8.5.1`
`torch`	`2.8.0`
`torch_npu`	`2.8.0.post4`
`modelscope`	`1.37.0`
`opencv-python-headless`	`4.13.0`

NPU：Ascend 910B3，单卡推理
模型大小：约 18.6M 参数
输入：[1, 3, 512, 512] RGB 图像

3. 推理启动

3.1 环境准备

conda create -n cv_dla34_table-structure-recognition_cycle-centernet python=3.10 -y
conda activate cv_dla34_table-structure-recognition_cycle-centernet

pip install torch==2.8.0 torch_npu==2.8.0.post4 torchvision==0.23.0 \
    -i https://mirrors.huaweicloud.com/repository/pypi/simple \
    --trusted-host mirrors.huaweicloud.com

pip install modelscope opencv-python-headless numpy \
    sortedcontainers simplejson addict datasets pyarrow Pillow \
    -i https://mirrors.huaweicloud.com/repository/pypi/simple \
    --trusted-host mirrors.huaweicloud.com

3.2 下载模型权重

modelscope download --model damo/cv_dla34_table-structure-recognition_cycle-centernet \
    --local_dir ./cv_dla34_table-structure-recognition_cycle-centernet

3.3 命令行推理

python inference.py --image table.jpg --device npu

3.4 Python API

from inference import run_inference
result = run_inference("table.jpg", device="npu")
print(f"耗时: {result['time_ms']:.1f}ms")

4. Smoke 验证

python evaluate.py

验证结果：

CPU 推理正常，输出热力图
NPU 推理正常，输出同形状
精度评测通过

5. 性能参考

测试条件：input [1, 3, 512, 512]。

指标	CPU	NPU (Ascend 910B3)
推理耗时	`1894 ms`	`20 ms`
加速比	—	94x

6. 精度评测

6.1 评测方法

对比 CPU (PyTorch) 与 NPU (torch_npu) 在相同随机输入下模型输出热力图 (hm) 的鲁棒平均相对误差（|value| > 0.01）。

6.2 评测结果

指标	数值
鲁棒平均相对误差	0.0137%
精度要求	平均相对误差 < 1%
精度评测	通过

7. 注意事项

模型接口：通过 pipeline.infer_model 获取 DLASeg 模型，输出包含 hm、v2c、c2v、reg 等多头
输入尺寸：固定 512×512，预处理需 resize
应用场景：配合 OCR 文字识别实现完整的表格结构化提取
首次推理：NPU 首次推理有算子编译开销（约 10-20s），后续稳定在 ~20ms