2026年FPGA大赛用安路FPGA做实时YOLOv8n，INT8量化后mAP掉到78%，怎么用QAT和知识蒸馏一步步恢复到90%以上？求具体调参步骤

你们这个 mAP 掉到 78% 其实很典型，INT8 量化对 YOLOv8n 这种轻量模型本身就不友好，因为它参数冗余少，量化噪声更容易暴露。我建议你们换个思路，别死磕蒸馏和 QAT 的参数组合，先检查两点：第一，安路 FPGA 的 INT8 量化是否支持每通道 scale（per-channel），如果不支持，那精度损失大概率是权重分布不均匀导致的；第二，你们的手势识别数据集是不是背景单一、目标尺度变化大？如果是，那量化后的低比特精度会放大小目标的漏检。具体到可复现流程，我推荐一个三步走的方案：第一步，先用 QAT 微调 10 个 epoch，学习率 1e-4，batch size 16，同时把蒸馏的 teacher 设为原 FP32 模型，温度固定为 6，KL 散度损失权重设为 0.3。第二步，观察验证集 mAP 曲线，如果前 3 个 epoch 不涨，就把学习率再砍半，同时检查是否过拟合（训练集 mAP 远高于验证集）。第三步，如果 mAP 卡在 85% 左右上不去，建议放弃全模型量化，转为对模型尾部几层（比如最后的检测头）保留 FP16 或 INT16，这样硬件资源占用只多 10%，但 mAP 能回到 90% 附近。还有一个风险点：你们大赛用的安路 FPGA 具体型号是 PH1A 还是 PG2K？不同系列的 DSP 单元对 INT8 算子的支持有差异，这会影响你能否做 per-channel 量化。另外，知识蒸馏时 teacher 和 student 的输入尺寸必须完全一致，否则 soft label 会错位，这个坑我见过好多次了。你们现在用的是 640×640 输入吗？

先别急着堆蒸馏温度和学习率，你现在的 78% 很可能是校准集选得太少或者量化时激活值截断太狠。安路 FPGA 的 INT8 算子对激活值范围很敏感，建议先跑个 trace 看每层输出直方图，把 clip 的阈值从默认的 0.95 调到 0.99，光这一步往往就能回 5 个点以上。QAT 和蒸馏是后面的事。

我去年用类似方案（不过是在 Xilinx 上）踩过一样的坑，说下个人觉得最有用的调参顺序。第一步，先确认你的蒸馏 teacher 模型精度到 95% 以上，如果 teacher 本身才 92%，那蒸馏上限就被锁死了。第二步，QAT 的初始学习率别用原来的 1e-3，建议降到 1e-4 或 5e-5，因为量化后的梯度噪声大，高学习率容易震荡。第三步，蒸馏温度我试下来 5 到 8 之间效果最好，太高（比如 15）会把 soft label 的细节全抹平。batch size 的话，安路 FPGA 显存小，你们可能只能用 8 或 16，那就得把 QAT 迭代次数适当增加到 2 万步以上，同时加个 cosine 学习率衰减。另外有个容易忽略的点：QAT 阶段最好把 BN 层 freeze 掉，否则量化感知训练时 BN 的 running stats 会乱跳。你试过这些基础调参了吗？如果还不行，可以再聊怎么结合 Channel-wise 裁剪来减少模型复杂度。

关于你提到的学习率设置，我补充一个实操细节：QAT 阶段最好用带 warmup 的余弦衰减，前 5% 的迭代从 0 线性升到 1e-4，这样能避免量化感知训练初期梯度爆炸。另外蒸馏温度我建议先固定为 10 跑 5 个 epoch 看看趋势，如果 teacher 的 soft target 分布过于平滑（即所有类别的概率都很接近），再降到 3 或 4。你们 batch size 如果只能设 8，那可以考虑用梯度累积来模拟 32 的效果。

别听那些让你直接上复杂调参的，你先确认一件事：安路 FPGA 的 INT8 量化工具链到底支不支持 QAT 的完整反向传播？有些国产工具链的 QAT 只是把量化节点插入计算图，但梯度回传时对量化器本身的梯度是截断的，这样你调学习率和温度都是白费功夫。建议你手动做一个小实验：只量化模型的前三层，看看 mAP 下降是不是主要来自这几层。如果前三层量化后 mAP 就掉了 10%，那问题出在浅层特征提取上，这时候应该优先用蒸馏来对齐浅层的 feature map，而不是调分类头的温度。