跳到主要内容

6.1 模型量化开发

工具简介​

xquant 是基于 PPQ v0.6.6+ 开发的模型量化工具，已集成适配主流芯片的量化策略。工具通过 JSON 配置文件统一调用接口，可将浮点格式的 ONNX 模型转换为 INT8 定点格式模型。

在使用 xquant 前，建议先将训练框架生成的模型转换为 ONNX 格式。目前主流框架均提供标准化的转换方案，参考 ONNX 转换教程： https://github.com/onnx/tutorials#converting-to-onnx-format

使用流程​

量化流程如下图所示：

量化流程图

模型量化示例​

以下以 Ultralytics 社区 提供的 yolov8n 模型为例，介绍 xquant 的量化操作流程。

安装量化工具包​

从官方地址下载 .whl 安装包：xquant-1.2.1 下载地址

安装命令如下：

pip install xquant-1.2.1-py3-none-any.whl

安装完成后可通过以下命令验证安装成功：

pip show xquant

成功后输出如下：

安装成功

获取浮点模型​

通常建议导出时使用如下参数：

opset_version=13
input_shape=[1, 3, 640, 640]

配置量化工程文件​

1）新建工程目录：

project_root/
├── yolov8/
│   ├── model/           # 放置 yolov8n.onnx 模型
│   └── data/            # 放置标定数据与配置文件

2）编写 yolov8_xquant_config.json 配置文件：

{
  "model_parameters": {
    "onnx_model": "yolov8/model/yolov8n.onnx",
    "working_dir": "yolov8",
    "skip_onnxsim": false
  },
  "calibration_parameters": {
    "input_parametres": [
      {
        "mean_value": [0, 0, 0],
        "std_value": [255, 255, 255],
        "color_format": "rgb",
        "data_list_path": "yolov8/data/calib_list.txt"
      }
    ]
  },
  "quantization_parameters": {
    "truncate_var_names": [
      "/model.22/Reshape_output_0",
      "/model.22/Reshape_1_output_0",
      "/model.22/Reshape_2_output_0"
    ]
  }
}
  • onnx_model：模型路径
  • mean_value 和 std_value：图像归一化参数，需与训练配置保持一致。
  • color_format：图像通道顺序（如 RGB/BGR）。
  • data_list_path：标定数据路径文件。

示例标定图像列表 calib_list.txt 内容如下：

Calib/000000428562.jpg
Calib/000000000632.jpg
Calib/000000157756.jpg
Calib/000000044279.jpg
Calib/000000131444.jpg
Calib/000000415238.jpg
Calib/000000202228.jpg
Calib/000000441491.jpg
Calib/000000068286.jpg
Calib/000000232088.jpg

⚠️ 建议标定数据选自模型训练集的子集，并保持数据分布一致。

设置量化截断节点​

YOLOv8n 模型中包含后处理（坐标解码）逻辑，建议对模型在后处理节点前进行截断，防止量化误差。配置中的 truncate_var_names 用于指定量化截断点：

"truncate_var_names": [
  "/model.22/Reshape_output_0",
  "/model.22/Reshape_1_output_0",
  "/model.22/Reshape_2_output_0"
]

可使用 Netron 可视化工具加载 yolov8n.onnx 模型确认节点名称：

Netron 模型节点

执行量化​

运行以下命令进行量化：

python3 -m xquant --config yolov8/data/yolov8_xquant_config.json

量化完成后将生成：

  • 量化模型文件：yolov8n.q.onnx
  • 量化报告文件：yolov8n.q_report.md

查看量化报告​

报告示例如下：

OpVarSNRMSECosineQ.MinMaxF.MinMaxF.Hist
0/model.28/cv2.0/cv2.0.0/act/LeakyRelu[LeakyRelu]/model.28/cv2.0/cv2.0.0/act/LeakyRelu_output_00.01720.00040.9914-0.268,1.510-0.265,2.37421,494,14495,12234,2677,1740,1129,717,456,303,197,126,81,56,42,23,8,4,6,1,0,1,1,1,0,1,1,0,0,0,0,1
1/model.28/cv3.2/cv3.2.1/conv/Conv[Conv]model.28.cv3.2.1.conv.weight[Constant]0.000100.9999-0.554,1.801-0.549,1.80651,34,153,442,1428,2805,7429,13413,5746,1989,867

精度判断指标说明：

  • SNR：信噪比，建议高于 0.1
  • Cosine：余弦相似度，建议接近 1.0
  • 若 SNR < 0.1 或 Cosine < 0.99，说明该节点量化误差较大

参考官方文档获取更多解读：Spacemit 官方文档