180、YOLOv8改进实战：QAT量化感知训练与INT8部署，边缘端实时推理性能提升2倍
去年接了个边缘端项目，客户要求在Jetson Nano上跑YOLOv8n，帧率必须达到30FPS以上。当时FP16模型跑下来只有12FPS，CPU都干到90度了。试过TensorRT直接做PTQ（训练后量化），精度掉了8个点，小目标直接消失。后来老老实实上了QAT（量化感知训练），折腾了两周，最终在保持mAP下降不到1%的前提下，把推理速度干到了28FPS。今天就把这套方案完整拆开，从踩坑到落地，一步不落。
为什么PTQ在YOLOv8上翻车了
很多人觉得YOLOv8n这么小的模型，直接TensorRT转INT8应该没问题。我一开始也这么想，结果被现实教育了。YOLOv8的检测头里大量使用SiLU激活函数，这个函数在INT8量化时特别敏感——它的负半轴不是完全饱和的，量化后的精度损失会通过梯度反向传播到前面的特征层。更致命的是，YOLOv8的C2f模块里有多条并行分支，不同分支的激活值分布差异很大，PTQ的校准数据集很难覆盖所有情况。
我做过对比实验：用500张图片做PTQ校准，COCO val2017上mAP从37.3掉到29.1。换成2000张图片，也只恢复到31.2。而QAT做完后，mAP稳定在36.8。差距就是这么明显。
QAT的核心：在训练中模拟量化误差
QAT的原理说白了就是让模型在训练阶段就"体验"量化后的精度损失，然后通过反向传播去适应这种损失。具体到YOLOv8，我们需要在训练过程中插入伪量化节点（FakeQ
)
