int8量化

从 PyTorch 权重到 RK3588 板端推理：ResNet18 二分类模型完整部署教程在边缘 AI 项目中，模型训练（PyTorch）与最终部署（RK35xx 系列 NPU 板卡）之间隔着一条"格式鸿沟"：RKNN 工具链不能直接读取 *.pth，必须经过 ONNX 中间表示才能进入 Rockchip 的专有格式。这条链路看似只有两个转换命令，真正决定成败的却是预处理一致性、量化标定、运行库版本配套这些细节。

阿钱真强道

28 YOLOv8 ONNX输出的cls与box提取详解——从[1,84,8400]到检测框配套代码：本文末附完整可运行的 Python 代码演示，可复制到本地直接运行一句话总结：YOLOv8 默认导出 ONNX 后，输出 [1, 84, 8400]——通道 0-3 是 box 坐标（值域 0~640），通道 4-83 是 cls 置信度（值域 0~1，已过 Sigmoid）。box 值域是 cls 的 ~700 倍。

阿钱真强道

08 YOLOv8检测头对INT8敏感的深度拆解——从直觉到数学证明一句话总结：检测头对INT8敏感的真实原因不是方差小，而是长尾分布（90%背景小值+10%目标大值）。σ=0.05的纯高斯分布下INT8也能保持0.9999的余弦相似度，但长尾分布下小值区域的相对误差高达4.1%（Backbone仅1.05%）。量化不怕整体缩小，怕的是有的地方缩得多、有的地方缩得少。

我是有底线的