yolov5的qat量化

本文主要是介绍yolov5的qat量化，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前两篇文章讲解了yolov5的敏感层分析及ptq量化流程，本篇文章在前两篇文章的基础上，继续讲解yolov5的qat量化流程。
ptq和qat的区别如下所示：

qat量化流程如下所示：

1. 首先在数据集上以FP32精度进行模型训练，得到训练好的baseline模型；
2. 在baseline模型中插入伪量化节点，
3. 进行PTQ得到PTQ后的模型；
4. 进行量化感知训练；
5. 导出ONNX 模型。

与传统量化方案的使用label进行监督不同，这次的qat量化方案，直接使用图片进行qat量化，即与ptq统一使用一个dataloader，且不使用标签数据进行qat的量化训练，即可得到一个不错的模型结果：

接下来会根据如下流程详细介绍qat方案的具体操作：

第一步至第四步，在前两篇文章中已经详细的介绍了，此处不作多余解释；第五步qat微调的操作，关键点在于如何选择网络层以及train的过程。

1、选择层的函数：

这篇关于yolov5的qat量化的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---