К содержимому
Другое

Ascend 310B COCO Detector Benchmarks

бенчмарки и модели детекции для NPU Huawei

2 мин чтенияобновлено

Набор готовых весов и воспроизводимых замеров производительности для нейросетевых ускорителей Huawei Ascend 310B1 (20T) и 310B4 (8T). Репозиторий решает задачу портирования популярных детекторов объектов (семейства YOLO, PicoDet и NanoDet) с помощью компилятора ATC (Ascend Tensor Compiler) и проверяет, насколько сильно расходятся выходные тензоры после конвертации по сравнению с эталонным запуском на CPU через ONNX Runtime. Внутри лежат 23 модели в формате ONNX и 78 скомпилированных файлов OM в режимах точности FP32 и mixed FP16, а также скрипты для повторного прогона тестов. Инструмент пригодится embedded-разработчикам, которые переносят компьютерное зрение на краевые устройства (edge) базы Ascend.

Ключевые особенности

  • Три семейства детекторов: в матрицу тестов вошли актуальные и лёгкие архитектуры — YOLOv5n, YOLOv8 (n/s/m), YOLOv10n, YOLO11 (n/s/m), YOLO12 (n/s/m), YOLO26 (n/s/m), а также PicoDet (S/M/L) и NanoDet-Plus.
  • Сравнение двух ревизий чипов: замеры проведены параллельно на платах Ascend310B1 (20T) и Ascend310B4 (8T) в среде CANN 8.0.0 с проверкой контрольных сумм SHA-256.
  • Контроль точности конвертации: скрипты сверяют выходные тензоры с эталоном (np.allclose), выявляя расхождения при компиляции в force_fp32 и allow_fp32_to_fp16.
  • Готовые артефакты: помимо сырых JSON-отчётов, опубликованы сами бинарные OM-файлы, фиксированные входные массивы .npy и скрипты на PyACL для быстрого запуска на плате.

Что можно сделать

  • Забрать готовые OM-веса в проект: скачать уже скомпилированные модели (например, NanoDet-Plus или PicoDet-L), прошедшие проверку численной погрешности на 310B, чтобы не тратить время на подбор флагов ATC.
  • Подобрать оптимальный детектор под бюджет кадров: сравнить реальный FPS и стабильность точности разных поколений YOLO (от v5 до v26) перед развёртыванием на целевой плате.
  • Воспроизвести замеры на своей прошивке: прогнать скрипт reproduce.py на своём устройстве, чтобы проверить поведение другой версии драйвера или CANN.

Пример

python benchmark/tools/reproduce.py \
  --root "$HF_ROOT" --workdir "$TASK_ROOT" \
  --board 20t --suite expanded --step acl \
  --model yolov8s --precision fp32
ПодробнееОкружение: CANN 8.0.0, драйвер 25.2.0, Python 3.9.25 (PyACL), требуется от 2.5 ГБ свободного места.
Скорость (расширенная матрица, без D2H): PicoDet-S FP32 выдаёт 82.63 FPS на 20T и 53.31 FPS на 8T; YOLOv8s FP32 — 13.33 и 11.57 FPS соответственно.
Важные нюансы: на плате 20T ряд моделей YOLO показал сильные выбросы численной ошибки относительно ONNX Runtime; классы ладоней (palm/hand) отсутствуют; mAP на реальных фото не замерялся.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # zhouxzh/ascend310b-coco-detector-benchmarks
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download zhouxzh/ascend310b-coco-detector-benchmarks --local-dir ~/models/ascend310b-coco-detector-benchmarks
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ascend310b-coco-detector-benchmarks
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии ascend310b-coco-detector-benchmarks — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

zhouxzh/ascend310b-coco-detector-benchmarks
Автор
zhouxzh
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии