Слияние кода завершено, страница обновится автоматически
Практика квантизации для YOLOv6
Для промышленного развёртывания обычно применяют квантизацию, чтобы ещё больше ускорить время выполнения без значительного ущерба для производительности. Однако из-за активного использования блоков перепараметризации в YOLOv6 предыдущие методы PTQ не позволяют достичь высокой производительности, а применить QAT сложно из-за необходимости соответствия поддельных квантизаторов во время обучения и логического вывода.
Чтобы решить проблему квантизации YOLOv6, мы сначала реконструируем сеть с помощью RepOptimizer, а затем применяем хорошо разработанные навыки PTQ и QAT к этой модели. В итоге мы получаем лучший на сегодняшний день квантованный результат (mAP 43,3 при 869 QPS) для YOLOv6s.
Конкретные руководства см. по следующим ссылкам:
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )