2026年FPGA大赛做实时YOLOv8n手势识别，模型量化后精度掉到73%，用QAT和知识蒸馏一步步恢复到88%以上具体调参步骤是什么？

从你的描述看，初始精度92%掉到73%是典型的INT8校准后精度崩塌，说明普通PTQ的校准集或量化参数没选好。QAT和蒸馏的方向是对的，但调参不是玄学，要按因果链来走。第一，QAT的初始学习率确实建议1e-4，但注意这是微调阶段，不是在完整训练集上从头训。你的做法应该是：加载FP32预训练权重，在模型里插入伪量化节点（比如用Pytorch的torch.quantization或安路工具链的QAT接口），然后只微调几个epoch，大概5-10轮，学习率用余弦衰减到1e-6。第二，蒸馏温度T从5开始衰减到1，这是经典做法，但衰减节奏要看验证集精度变化。我的经验是：前3个epoch用T=5，让软标签的分布宽一些，学生模型能学到类别间相似性；中间3个epoch每步减0.5，到T=2左右稳住；最后2个epoch衰减到1。别机械地按epoch数衰减，应该每轮都看验证集mAP，如果精度停滞就降T。第三，教师模型必须用FP32精度最高的版本，千万不能用INT8教师去教INT8学生，那样误差会叠加。你现在的教师模型应该就是那个92%的FP32权重，蒸馏时学生模型输出和教师输出算KL散度损失，再和GT的交叉熵损失加权，建议损失权重比设为0.7(蒸馏) : 0.3(GT)。第四，校准集大小500-1000张图是够的，但关键在于图片要覆盖手势的各类姿态和光照变化，不要只拍正脸。你如果校准集全是实验室白底背景，部署到复杂环境肯定掉点。另外，安路FPGA的量化工具对数据分布敏感，建议校准集用验证集而非训练集，因为验证集更接近真实推理分布。最后，验证指标不要只看最终精度，要监控蒸馏过程中学生模型和教师模型输出分布的KL散度值，散度下降趋势越平滑，说明蒸馏越成功。追问一句：你目前用的QAT工具链是安路自带的还是Pytorch官方量化库？这个会影响伪量化节点插入方式。

我个人的调参顺序很简单：先把蒸馏温度T固定在3，用1e-4的学习率跑QAT微调，看看精度能不能上到85%以上。如果卡住了，再调整温度衰减策略。教师模型一定要FP32，千万别用量化版。校准集我一般用验证集的500张图，但会手动挑那些使模型输出熵高的样本，就是模型容易搞混的图片，这样校准出来的量化参数更鲁棒。你73%的起点不算低，关键是QAT微调时别贪多epoch，一般5轮就够了，多了反而过拟合到校准集上。另外注意安路FPGA的INT8推理时要检查是否有clip操作导致的饱和误差，有时候工具链默认的量化范围太激进，可以手动设置calibrator的统计方法为percentile而非minmax。

教师模型必须FP32，这个没得商量。你想想，如果教师自己都带量化噪声，教出来的学生只会更差。温度从5开始衰减到1是对的，但别按固定epoch数来，应该每轮看验证集mAP，精度一饱和就降T，这样效率最高。校准集500张够用，但前提是图片要覆盖所有手势类别和光照条件，如果全是正样本，量化后对负样本的区分度会崩。另外你YOLOv8n的检测头可能对量化更敏感，可以尝试只量化backbone，保持head为FP16，这样精度损失能控制在3%以内。

简单说：1e-4初始lr，余弦衰减，5轮QAT微调；温度T从5每轮降0.5到1；教师用FP32原模型；校准集选验证集里最难的那些样本，数量500-1000。你现在的73%很可能是校准集没选好，先验证这个点再动其他参数。追问一句：你用的安路工具链是哪个版本？有些旧版对YOLO的检测头量化支持不好，建议更新到最新SDK。