2026年FPGA大赛，用安路FPGA做实时车牌识别，INT8量化后精度掉到68%，除了QAT还有哪些低成本校准方法能快速提升？

先别急着上复杂的统计方法，把校准集换掉往往是最便宜的提速。你现在的校准集如果是从训练集里随机抽的，大概率小目标样本太少，MinMax 被大目标的极端值带偏。建议从验证集里按类别和尺寸分层抽 200~500 张，保证每张图里至少有一个车牌宽高小于 32 像素的实例。然后跑一遍 PTQ，只看小目标那一类的 mAP 变化。如果还不行，再试百分位截断，比如把激活值分布按 99.9% 截断，代码上就是 torch.quantile(act, 0.999) 代替 max。这个改动小，半天就能验证。你们现在校准集是怎么选的？

其实你这个问题核心是激活值分布的长尾效应，车牌这类小目标的特征图响应值普遍偏低，MinMax 会把量化步长拉大，小目标的激活值就被压成 0 了。除了换校准集，我建议你试试逐层看分布，别全局一刀切。具体做法是：导出每层激活值的直方图，找那些分布拖尾特别长的层，单独用 99.9% 百分位截断，其他层保持 MinMax。安路的工具链一般来说支持 per-channel 量化，你可以先把卷积层的权重用 per-channel，激活用 per-tensor。还有个更省事的招：把前几层（比如 stem 和第一个 C3 模块）保留 FP16，后面的层才量化，因为浅层对边缘纹理敏感，量化损失最大。这个混合精度在安路的工程里常见做法是改量化配置文件，不用重训。风险是最终部署时 FPGA 上要同时支持两种精度，资源会多耗一点，但大赛应该够用。你们现在跑的是安路的哪个开发环境？

顺着你提到的 KL 散度往下说，我觉得这是性价比最高的方向，但很多人用错地方。PTQ 里的 KL 散度校准，本质是找一个阈值，让量化前后的信息损失最小，但它对分布尾部特别敏感。车牌检测这种任务，激活值分布往往是双峰的：背景像素贡献一大坨接近 0 的值，车牌区域则是一小撮高值。MinMax 把那一小撮高值拉得很宽，KL 散度又会为了照顾背景那坨而把阈值定得太低，把小目标的信息也砍了。所以我的建议是，别直接用默认的 2048 个 bin 的直方图，先做一步预处理：把激活值按绝对值排序，取前 5% 的值的均值作为参考，手动调 KL 的搜索范围，比如只搜 50% 到 99.99% 的百分位区间。这样能强制阈值往高值方向靠。另外，你说训练精度 92%，量化后 68%，这个掉点幅度有点大，我怀疑不只是校准方法的问题，可能 BN 层的折叠也影响了分布。你可以在量化前先做一次 BN 统计修正，就是把 BN 的 running_mean 和 running_var 重新在训练集上跑一遍，再冻结。安路的工具链一般支持这个选项，叫 calibrate_bn 或者类似的名字。如果这些做完还是到不了 85%，那确实得考虑对最后两层检测头单独做混合精度。我去年做过类似的车牌识别，最后是校准集里加了 30% 的夜间和雨雾样本，加上 99% 百分位截断，从 71% 拉到了 88%。你们现在用的是什么量化位宽，8bit 还是混合 8/16？这会影响我上面说的截断策略。

先别把 QAT 当唯一出路，你八成是栽在校准集太干净了。随机抽 200 张训练图，里面车牌大多是正对、光照均匀的，MinMax 就被那些极端高亮或模糊样本带偏。从验证集里按距离和角度分层抽，保证每张图里至少有一个车牌宽度小于 32 像素，再用百分位 99.9% 截断激活值，半天就能看出变化。你现在的校准集是从哪抽的？

个人感觉你这掉点不是量化方法单一的问题，而是小目标激活值在 INT8 下直接被抹平了。YOLOv5n 的检测头输出层对低响应值特别敏感，MinMax 把步长拉大后，那些只有几十的激活值全变 0。我建议你分两步走：第一步，把校准集改成混合场景，专门加一些逆光、夜间和远距离车牌，让分布尾部更真实；第二步，别全局用同一种校准，导出每层激活直方图，找出拖尾特别长的层（一般是浅层和检测头），对它们单独用 99.9% 百分位，其余层保持 MinMax。安路工具链支持 per-layer 配置，改个 yaml 就行，不用重训。如果这样还掉到 80 以下，就把第一层卷积和最后一个检测头保留 FP16，混合精度部署在 FPGA 上多占一点 DSP，但换来 5 个点以上的精度，大赛完全值得。你先跑一版分层校准看看，检测头那几层是不是最惨的？