摘要
在边缘计算场景下，YOLOv5模型虽然精度高但参数量大、计算密集，难以直接部署在算力有限的嵌入式设备上。本文提出一套完整的基于量化感知训练（Quantization-Aware Training, QAT）的YOLOv5定点化部署方案，通过引入伪量化节点模拟低比特推理过程，使模型在训练阶段就适应量化损失，最终实现8-bit定点化部署。实验表明，该方法在COCO数据集上仅损失0.8% mAP，推理速度提升3.2倍，模型体积压缩73.6%。本文提供完整代码实现、数据集准备指南及工程优化技巧，帮助开发者快速落地。
关键词：YOLOv5；量化感知训练；定点化部署；模型压缩；边缘计算
一、引言
1.1 背景与挑战
实时目标检测是自动驾驶、智能安防、工业质检等领域的核心技术。YOLO系列模型凭借端到端的单阶段检测结构和精度-速度平衡优势，成为工业界首选方案。然而，YOLOv5仍存在以下挑战：
计算资源瓶颈：YOLOv5s包含约7.2M参数，在树莓派、Jetson Nano等设备上推理速度不足15 FPS
存储限制：32-bit浮点模型体积约14MB，对于固件空间有限的嵌入式系统仍显庞大
功耗约束：浮点运算导致更高的动态功耗，影响电池供电设备的续航
1.2 量化技术概述
量化是将浮点张量映射到低比特整数表示的过程。以8-bit量化为例：
xint=cla
