cv_tinynas_head-detection_damoyolo on Ascend NPU

1. 简介

本文档记录 DamoYOLO TinyNAS 人头检测模型在昇腾 NPU (Ascend 910B3) 上的迁移适配与精度验证结果。

DamoYOLO 是达摩院提出的高效目标检测框架，本模型使用 TinyNAS 搜索出的轻量化骨干网络配合 GiraffeNeckV2 颈部结构和 ZeroHead 检测头，专用于人头检测任务。

相关获取地址：

• 权重下载地址（ModelScope）：https://modelscope.cn/models/damo/cv_tinynas_head-detection_damoyolo
• 权重下载地址（HuggingFace Mirror）：https://hf-mirror.com/damo/cv_tinynas_head-detection_damoyolo

参考文档：

• https://modelscope.cn/models/damo/cv_tinynas_head-detection_damoyolo
• DamoYOLO 论文：https://arxiv.org/abs/2211.15459

2. 验证环境

• NPU：Ascend 910B3，单卡推理
• 模型大小：约 16.3M 参数
• 骨干网络：TinyNAS (NAS 搜索的轻量化架构)
• 输入：[1, 3, 640, 640] RGB 图像

3. 推理启动

3.1 环境准备

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

pip install modelscope==1.37.0 opencv-python-headless numpy \
    timm thop easydict matplotlib \
    -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_tinynas_head-detection_damoyolo \
    --local_dir ./cv_tinynas_head-detection_damoyolo

3.3 命令行推理

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

3.4 Python API

from inference import run_inference
result = run_inference("scene.jpg", device="npu")
print(f"检测到 {len(result['boxes'])} 个人头, 耗时 {result['time_ms']:.1f}ms")

4. Smoke 验证

python evaluate.py

验证结果：

• CPU 推理输出 backbone 特征图 [1, 128, 80, 80]，正常
• NPU 推理输出同形状特征图，正常
• 完整模型 CPU 耗时 ~10961ms，NPU 耗时 ~26ms

5. 性能参考

测试条件：input [1, 3, 640, 640]，30 轮取平均。

6. 精度评测

6.1 评测方法

对比 CPU 与 NPU 在相同随机输入下骨干网络 (TinyNAS backbone) 的输出特征图，统计 |value| > 0.01 的鲁棒平均相对误差。

6.2 评测结果

7. 注意事项

1. 依赖项：本模型需要 timm、thop、easydict 等额外依赖，首次加载需 trust_remote_code=True
2. 同系列模型：还有安全帽检测 (safety-helmet)、人体检测 (human-detection)、无人机检测 (uav-detection) 三个同架构模型，适配方式完全一致
3. 输入格式：RGB 三通道，640×640 固定输入尺寸，像素值范围 [0, 1]
4. 后处理：NMS 等后处理在 CPU 执行，模型输出 DetectionOutput 包含 boxes 和 scores
5. 首次推理：NPU 首次推理有算子编译开销（约 15-30s），后续稳定在 ~26ms