cv_tinynas_object-detection_damoyolo_safety-helmet on Ascend NPU

1. 简介

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

本模型与同系列 DamoYOLO 模型（人头检测、人体检测、无人机检测）共享相同的 TinyNAS 骨干网络 + GiraffeNeckV2 颈部 + ZeroHead 检测头架构，差异仅在于训练数据——本模型针对工地安全帽佩戴场景进行训练。

相关获取地址：

• 权重下载地址（ModelScope）：https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_safety-helmet
• 权重下载地址（HuggingFace Mirror）：https://hf-mirror.com/damo/cv_tinynas_object-detection_damoyolo_safety-helmet
• DamoYOLO 论文：https://arxiv.org/abs/2211.15459

参考文档：

• 同系列适配文档：cv_tinynas_head-detection_damoyolo-ascend/README.md

2. 验证环境

• NPU：Ascend 910B3，单卡推理
• 模型大小：约 16.3M 参数
• 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_object-detection_damoyolo_safety-helmet \
    --local_dir ./cv_tinynas_object-detection_damoyolo_safety-helmet

3.3 命令行推理

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

3.4 Python API

from inference import run_inference
result = run_inference("construction_site.jpg", device="npu")
print(f"检测到 {len(result['boxes'])} 个目标, 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
• 完整模型输出 DetectionOutput，包含 boxes 和 scores 字段

5. 性能参考

测试条件：input [1, 3, 640, 640]，10 轮取平均。

6. 精度评测

6.1 评测方法

对比 CPU (PyTorch) 与 NPU (torch_npu) 在相同随机输入下骨干网络 (TinyNAS backbone) 的输出特征图。

6.2 评测结果

7. 注意事项

1. 依赖项：需要 timm、thop、easydict，首次加载需 trust_remote_code=True
2. 同系列模型：与人头/人体/无人机检测共享适配代码，仅需修改 --model_dir
3. 输入格式：RGB 三通道，640×640，像素范围 [0, 1]
4. 后处理：NMS 在 CPU 执行，输出 DetectionOutput 含 boxes/scores
5. 首次推理：有算子编译开销（约 15-30s），后续稳定在 ~27ms