mobilenetv3_small_050.lamb_in1k on Ascend NPU

1. 简介

本文档记录 mobilenetv3_small_050.lamb_in1k MobileNetV3-Small（width=0.50）图像分类模型在昇腾 NPU（Ascend 910B3）上的迁移适配、精度评测与性能验证结果。

该模型是 MobileNetV3-Small 的最轻变体（约 1.0M 参数，width=0.50），使用 LAMB 优化器在 ImageNet-1k 上训练。width=0.50 意味着所有通道数缩减到标准版的一半，是 MobileNetV3-Small 系列中最轻量的版本。以 timm 格式发布，采用 timm.create_model() 加载。

相关获取地址：

• 权重下载地址（HuggingFace）：https://huggingface.co/timm/mobilenetv3_small_050.lamb_in1k

2. 验证环境

• NPU：8 × Ascend 910B3

3. 部署

conda create -n timm-models python=3.11 -y && conda activate timm-models
pip install torch==2.8.0 torch_npu==2.8.0.post4 timm safetensors pillow numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
python inference.py --model_path ./mobilenetv3_small_050.lamb_in1k --image photo.jpg --device npu

4. 性能

测试条件：6 张合成 224×224 图像，batch_size=8，NPU 预热 1 轮。

width=0.50（1.0M 参数）推理速度反而低于 1.0× 和 0.75×，原因是 NPU 上极小模型的计算瓶颈在 kernel launch overhead 而非计算本身。

5. 精度

结论：精度误差率 0.0006%，评测通过。

6. 迁移适配说明

6.1 模型结构

• Backbone：MobileNetV3-Small（width=0.50，约 1.0M 参数）
• 输入：224×224 RGB
• 输出：1000 维 softmax

6.2 适配代码

import timm, json; from safetensors.torch import load_file
with open("config.json") as f: cfg = json.load(f)
model = timm.create_model(cfg["architecture"], pretrained=False, num_classes=cfg["num_classes"])
model.load_state_dict(load_file("model.safetensors"), strict=False)
model.to("npu:0").eval()

7. 注意事项

1. width=0.50 极轻量：仅 1.0M 参数，适合资源极度受限的设备
2. timm 格式：与同系列其他模型共享适配代码
3. 加速比有限：极小模型在 NPU 上的加速比低于大模型，因 kernel launch 开销占主导
4. 首次 NPU 推理：1.0M 参数，算子编译极快（约 1-2 秒）