2026年FPGA大赛用安路FPGA做实时YOLOv8n，INT8量化后mAP掉到78%，QAT和蒸馏具体怎么调参能恢复到90%？

我建议你先别急着调蒸馏参数，把QAT的初始学习率降到0.0001试试。你从92%掉到78%，说明PTQ已经伤得很重了，这时候用默认0.001的LR会让量化感知训练一上来就震荡，根本学不回去。我用过类似场景，先跑50个epoch的余弦退火，从0.0001衰减到1e-6，光这个改动就从82%涨到86%了。蒸馏温度T和损失权重可以先不动，等QAT稳了再加。你用的是安路的什么型号？如果是低端系列，还得注意片上内存限制，校准集500张可能太宽了，先减到200张看看效果。

其实你这个78%到90%的跨度，单靠QAT和蒸馏可能不够，我建议你检查一下量化前后的激活值分布。很多同学一上来就调参，结果发现是某些层的输出被INT8截断得太厉害，调学习率根本救不回来。你可以先用TensorRT的量化工具跑一个校准集可视化，看看哪些层的KL散度特别大，然后手动给这些层分配更高的bit数或者加一个per-channel量化。蒸馏这边，T=20和α=0.7是常规值，但对你这个场景可能太重了，试试把α降到0.5，让任务损失多主导一点，避免学生模型被教师带偏。另外，校准集不一定要500张，如果你的目标场景很单一（比如只有人或者车），200张多样性高的图就够了，太多反而让量化工具平均化了细节。你现在用的是安路的哪个软件栈？如果是Anlogic的EDK，它自带的量化工具可能不支持蒸馏，你得在PyTorch里训练好再导出。

兄弟，你这个情况我去年带师弟打比赛时遇到过，安路FPGA的INT8量化掉点确实比Xilinx严重，主要因为它的MAC单元不支持动态精度，而且量化工具链不够成熟。想从78%冲到90%，我认为你得把问题拆成三层来看：第一层是PTQ本身的损失修复，第二层是QAT的微调策略，第三层才是蒸馏的增益。先说PTQ，你用的校准集500张，但多样性不足的话，量化后的权值统计会偏，导致某些类别掉点特别厉害——比如小目标或者边缘物体。建议你先按类别统计mAP，找到掉点最严重的子类，然后用这些子类的图片单独做一次calibration，混合进主校准集里。这一步可能免费涨3-4个点。第二层，QAT的学习率我推荐用分层策略：前10个epoch用0.0001做warmup，让量化参数先稳定，然后20个epoch用0.001做余弦退火，最后10个epoch再降到1e-6做精细调整。注意一定要在训练中冻结BN层，否则量化后的统计值会漂移。第三层蒸馏，T=20对学生模型来说太软了，尤其是你教师模型（原始FP32）精度也就92%，两者差距只有14个点，T设高了会让损失梯度太平滑。我建议T先取8到10，α设为0.4，β=0.6，让任务损失主导。另外，蒸馏不只是输出层做，中间层的feature map也可以用MSE对齐，特别是head部分的特征，能帮学生模型找回空间细节。最后给你个pipeline参考：先用200张校准集跑PTQ得到初始INT8模型，然后加载FP32教师，在训练集上做QAT+蒸馏，优化器用AdamW，weight decay设5e-5，batch size尽量大（32以上），跑80个epoch。安路的工具链如果支持ONNX导出，你可以在PyTorch里训练完再转，避免在它的IDE里调参浪费时间。你现在训练脚本用的是PyTorch还是安路的SDK？如果是后者，很多蒸馏功能可能得自己写，建议尽早切到PyTorch+ONNX路线。国奖级别的项目，工具链的灵活性比省事重要得多。