Super-Gradients项目中YOLO-NAS模型PTQ与QTA导出ONNX形状差异解析
2025-06-11 21:11:39作者:房伟宁
背景概述
在深度学习模型部署过程中,模型量化是提高推理效率的重要手段。Super-Gradients作为Deci-AI推出的训练库,提供了YOLO-NAS模型的完整训练和量化支持。近期有用户发现,在使用该库进行PTQ(后训练量化)和QTA(量化感知训练)后,导出的ONNX模型在输入输出形状上存在显著差异。
现象描述
当用户按照官方文档流程对YOLO-NAS模型进行PTQ和QTA处理后,发现两种量化方式导出的ONNX模型结构不同:
-
PTQ导出的ONNX模型:包含4个输出节点,分别为:
- int64[1, 1]格式的输出
- float32[1, N, M]格式的输出
- float32[1, N]格式的输出
- int64[1, N]格式的输出
-
QTA导出的ONNX模型:仅包含2个输出节点:
- float32[16, 8400, 4]格式的输出
- float32[16, 8400, 3]格式的输出
技术原理分析
这种差异源于Super-Gradients库中两种量化流程的实现方式不同:
-
PTQ量化流程:直接通过
model.export()
方法实现,该方法支持在导出时附加后处理(NMS)模块,因此输出的ONNX模型已经包含了完整的检测流程,输出的是经过解码的边界框信息。 -
QTA量化流程:通过Trainer进行训练,目前尚未完全集成新的export() API,因此在导出QAT模型时无法附加后处理模块,导出的ONNX仅包含模型本身的输出特征。
解决方案演进
在项目的最新进展中,开发团队已经通过PR#1879解决了这一问题。现在无论是QAT还是PTQ,都统一使用模型的.export()
方法进行导出,确保了输出形状的一致性。这一改进使得:
- 两种量化方式导出的模型具有相同的输入输出结构
- 用户可以使用统一的接口处理量化后的模型
- 简化了模型部署流程
实践建议
对于需要使用量化版YOLO-NAS模型的开发者,建议:
- 使用最新版本的Super-Gradients库,确保获得一致的导出行为
- 在导出模型时明确指定是否需要包含后处理模块
- 对于生产环境部署,建议进行充分的量化效果验证
- 注意不同量化方式对模型精度和速度的影响差异
总结
模型量化是边缘部署的关键技术,理解不同量化方式的实现差异对于成功部署至关重要。Super-Gradients库通过持续改进,正在提供更加统一和便捷的量化体验,帮助开发者更高效地将YOLO-NAS等先进模型部署到实际应用中。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0369Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++096AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析3 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析4 freeCodeCamp课程视频测验中的Tab键导航问题解析5 freeCodeCamp课程中屏幕放大器知识点优化分析6 freeCodeCamp Cafe Menu项目中link元素的void特性解析7 freeCodeCamp英语课程填空题提示缺失问题分析8 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 9 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析10 freeCodeCamp全栈开发课程中React实验项目的分类修正
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K

React Native鸿蒙化仓库
C++
208
285

Ascend Extension for PyTorch
Python
59
94

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
974
574

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
81

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
1.2 K
133