QAT.Ultralytics

本仓库基于 Ultralytics-8.4，提供 YOLO26 和 YOLO11 系列 PT2E QAT 的训练、QuantONNX 导出和 AXERA 部署兼容处理。

操作建议：初期请选用小批量数据集，仅训练 1 个 epoch；随后依次执行 eval.py 与 export.py 完成验证及模型导出，最后进行板端部署。务必先完整走通上述端到端流程，确认无误后再启动全量数据训练。

精度结果

检测

以下为当前 AXERA NPU 实测结果：

模型	`end2end`	配置	FP32 mAP50-95	FP32 mAP50	QAT mAP50-95	QAT mAP50	Err mAP:50~95	Err mAP:50	Speed(ms)
YOLO26n	`true`	ptq(w8a8_siluInU16)	40.24	55.79	37.83	53.54	-2.41	-2.25	3.613
YOLO26n	`true`	`config_siluInU16_attnS8_clsU16.json`	40.24	55.79	39.61	55.63	-0.63	-0.16	3.761
YOLO26n	`true`	`config_siluInU8_attnS8_clsU16.json`	40.24	55.79	39.39	55.37	-0.85	-0.42	3.656
YOLO26n	`false`	ptq(w8a8_siluInU16)	40.87	56.87	39.52	55.78	-1.35	-1.09	3.616
YOLO26n	`false`	`config_siluInU8_attnS8_clsU16_one2many.json`	40.87	56.87	39.97	56.57	-0.9	-0.3	3.647
YOLO11n	`None`	ptq(w8a8_siluInU16)	39.4	55.3	38.8	54.55	-0.6	-0.75	3.934
YOLO11n	`None`	`config_yolo11n_siluInU8_attnS8.json`	39.4	55.3	38.45	54.46	-0.95	-0.84	3.814
YOLO11n	`None`	`config_yolo11n_siluInU16_attnS8.json`	39.4	55.3	38.84	54.86	-0.56	-0.44	3.851

性能：AX650N NPU1 模式，采用 ax_run_model -w 10 -r 100 -m <model>.axmodel 测得。

注：end2end=true 为 one2one模型，后处理无nms；end2end=false为one2many模型，后处理需nms。clsU16指的是P4、P5分类头data_type=U16，权重还是s8。

分割

以下为 COCO-Seg 验证集上的 QAT 训练内最优结果。seg_best 已完成 QuantONNX 导出与 ORT 推理。

模型	`end2end`	配置	FP32 Box mAP50-95	QAT Box mAP50-95	Box 误差	FP32 Mask mAP50-95	QAT Mask mAP50-95	Mask 误差	epoch
YOLO26n-seg	`true`	`config_yolo26nSeg_siluInU16_attnS8.json`	39.75	38.86	-0.90	33.86	33.20	-0.66	44（Box 峰值）
YOLO26n-seg	`true`	`config_yolo26nSeg_siluInU16_attnS8.json`	39.75	38.83	-0.92	33.86	33.32	-0.54	15（Mask 峰值）

注：分割模型未上板测试，该指标为训练指标。

QAT 量化配置

已验证的配置组合、SiLU/Attention/分类头量化边界，以及自定义网络重新发现节点的流程统一见 AXERA QAT Quantizer 配置说明。JSON 文件保留在 config-qat/；train_qat.py 的 --profile accuracy|throughput 仅对应 YOLO26n 的两个交付 profile，YOLO11、分割和自定义网络必须显式传入 --quant-config <json>。

详细训练、导出和 ONNX 验收流程见$skill-yolo26-qat-delivery。网络结构或导出环境变化后，使用$skill-yolo-qat-config-discovery 重新发现 regional 节点。新增 OBB、Pose、分类或自定义 head 等网络任务时，先使用 $skill-yolo-qat-task-onboarding 确认 trainer、loss、 validator、QAT 输出与导出契约，再开始配置和精度实验；不要将检测模型的输出 wrapper 或 regional 节点直接复用。

快速开始

1. 安装依赖

pip install -r requirements.txt
pip install -e .

2. 准备数据集

确认数据集配置可用。默认脚本依赖 coco.yaml，需要保证其中的数据集路径正确。

3. 运行 Smoke

env PYTHONPATH="$PWD" \
  python train_qat.py \
  --profile throughput --device 0 --epochs 1 --batch 2 --imgsz 64 \
  --workers 0 --fraction 0.01 --name qat-delivery-smoke --exist-ok

4. 正式训练

单卡入口支持检测、分割、OBB、Pose 和分类。正式训练默认使用完整数据集（fraction=1.0）， --fraction 0.01 仅用于 smoke。未提供 --quant-config 或 --profile 会直接报错。

⚠️ 精度验证范围说明

检测（YOLO26n/YOLO11n）和分割（YOLO26n-seg）已完成正式精度实验，量化配置经过系统优化并通过上板精度评估，可作为交付基线。

OBB、Pose 和分类目前仅完成主机侧链路 smoke（1 epoch、小数据集），当前量化配置（全局 SiLU U8 + Attention S8）未经正式精度调优，不保证在实际业务数据上能满足精度要求。使用前必须：

在目标数据集上完整训练并评估 convert 真实 Q/DQ 精度；

若损失超出可接受范围，按 $skill-yolo-qat-config-discovery 重新发现局部量化边界；

通过 AXERA 板端评估后才能作为交付结论。

YOLO26 检测

env PYTHONPATH="$PWD" \
  python train_qat.py \
  --profile throughput --device 0

YOLO11 检测

YOLO11n 使用专用 JSON 显式启动训练，不使用仅面向 YOLO26n 的 --profile：

env PYTHONPATH="$PWD" \
  python train_qat.py \
  --task detect --model yolo11n.yaml --pretrained yolo11n.pt --data coco.yaml \
  --quant-config config-qat/config_yolo11n_siluInU8_attnS8.json \
  --device 0 --name yolo11n-qat-siluInU8-attnS8

分割

当前已验证的 YOLO26n-seg 训练参数如下：

env PYTHONPATH="$PWD" \
  python train_qat.py \
  --task segment --model yolo26n-seg.yaml --pretrained weights/yolo26n-seg.pt \
  --data coco-seg.yaml --quant-config config-qat/config_yolo26nSeg_siluInU16_attnS8.json \
  --epochs 50 --batch 64 --imgsz 640 --workers 8 --fraction 1.0 \
  --lr0 2e-5 --lrf 0.1 --no-qat-ema --end2end --save-period 1 \
  --device 0 --name yolo26n-seg-qat

OBB

YOLO26n-OBB 已完成 dota8 1 epoch 的训练、QAT/真实 Q-DQ 评估、checkpoint/QuantONNX 图片推理和 ONNX 导出 smoke。使用 DOTA 格式数据和 OBB 专用浮点权重，不要使用检测任务的 COCO 数据、分类头 U16 配置或导出 wrapper：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python train_qat.py \
  --task obb --model yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --data dota8.yaml --quant-config config-qat/config_yolo26nObb_siluInU8_attnS8.json \
  --device 0 --epochs 1 --batch 1 --imgsz 640 --workers 0 \
  --fraction 1.0 --name yolo26n-obb-qat-smoke --exist-ok

启动日志应显示 Transferred 792/792 items from pretrained weights；否则先检查 DOTA 15 类 head 是否正确加载。

Smoke 指标：dota8 上的 1 epoch smoke，QAT mAP50-95/mAP50=0.856/0.995，浮点为 0.891/0.995。数据集仅含 4 张验证图，结果只用于链路验收。
输出契约：OBB QuantONNX 输出为 boxes、scores、angle。
已支持：test.py --task obb 图片验证、eval.py onnx-obb QuantONNX 数据集评估和 Pulsar2 转换配置（axera-npu/config_yolo26nObb_siluInU8_attnS8.json，Attention S8）。
⚠️ 仅链路验收，精度未调优：当前量化配置未经正式精度优化，上板精度结论需使用目标 DOTA 完整数据集重新训练验证。
未接入：AXERA 旋转框后处理、rotated NMS 和板端精度评估。

Pose

YOLO26n-Pose 已打通主机侧 QAT 训练、评估、导出和图片验证。使用 discovery 生成的 attention S8 配置 config-qat/config_yolo26nPose_siluInU8_attnS8.json（全局 SiLU U8 + 双 Attention 连续 S8）：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python train_qat.py \
  --task pose --model yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --data coco8-pose.yaml --quant-config config-qat/config_yolo26nPose_siluInU8_attnS8.json \
  --device 3 --epochs 1 --batch 1 --imgsz 640 --workers 0 \
  --fraction 1.0 --name yolo26n-pose-qat-smoke --exist-ok

输出契约：Pose QuantONNX 输出 boxes、scores、keypoints，训练专用的 kpts_sigma 不导出。
Smoke 指标：coco8-pose 1 epoch smoke 的 Float、fake-quant、真实 Q/DQ、QuantONNX Box/Pose mAP50-95 分别为 0.7006/0.4773、0.6753/0.4040、0.7204/0.4380、0.7085/0.4490，仅用于链路验收。
已支持：Pulsar2 转换配置（axera-npu/config_yolo26nPose_siluInU8_attnS8.json，Attention S8）。
⚠️ 仅链路验收，精度未调优：当前量化配置未经正式精度优化，上板精度结论需使用目标完整数据集重新训练验证。
未接入：AXERA 关键点后处理和板端精度评估。

分类

YOLO26n-Cls 已打通主机侧 QAT 训练、评估、导出和图片验证。分类骨干含一个 C2PSA，使用 discovery 生成的 attention S8 配置 config-qat/config_yolo26nCls_siluInU8_attnS8.json（全局 SiLU U8 + 单 Attention 连续 S8）。 smoke 数据集用最小 imagenet10（分类微调会把 head 重塑到数据集 nc，指标仅作链路验收）：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python train_qat.py \
  --task classify --model yolo26n-cls.yaml --pretrained weights/yolo26n-cls.pt \
  --data imagenet10 --quant-config config-qat/config_yolo26nCls_siluInU8_attnS8.json \
  --device 0 --epochs 1 --batch 32 --imgsz 224 --workers 4 \
  --fraction 1.0 --name yolo26n-cls-qat-smoke --exist-ok

输出契约：分类 QuantONNX 输出单个 logits 张量。ClassifyWrapper 不追加 softmax（softmax 不在 QAT 图内，追加会留下未量化的尾算子），部署时 host 端做 softmax/argmax；argmax(logits)==argmax(softmax)。
Smoke 指标：imagenet10 上真实 Q/DQ top1/top5=0.0833/0.6667。数据仅 12 张验证图，结果只用于链路验收。
部署图结构：ONNX checker/ORT 通过，BatchNormalization=0、_requant Identity=0、无游离 S16，Attention 四点连续 S8，尾部收在 logits 的 DequantizeLinear。
已支持：Pulsar2 转换配置（axera-npu/config_yolo26nCls_siluInU8_attnS8.json，Attention S8）。
⚠️ 仅链路验收，精度未调优：当前量化配置未经正式精度优化，上板精度结论需使用目标 ImageNet 完整数据集重新训练验证。
未接入：AXERA 分类 Top-K 后处理和板端精度评估。

多 GPU 检测

实验性多 GPU QAT 使用独立入口。--batch 是全局 batch，必须能被 GPU 数量整除；先用小数据 smoke 确认显存、DDP 构图和 checkpoint 导出正常，再进行正式训练：

env PYTHONPATH="$PWD" \
  python train_gpus.py \
  --profile throughput --devices 0,1 \
  --epochs 1 --batch 4 --imgsz 64 --workers 0 --fraction 0.01 \
  --name qat-ddp-smoke --exist-ok

两卡正式检测训练示例。--batch 64 是全局 batch，每个 rank 使用 32；使用自定义模型时替换 --model、--pretrained、--data 与 --quant-config，并先重新发现 regional 节点：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python train_gpus.py \
  --task detect --model yolo26n.yaml --pretrained weights/yolo26n.pt --data coco.yaml \
  --quant-config config-qat/config_siluInU8_attnS8_clsU16.json \
  --devices 0,1 --epochs 50 --batch 64 --imgsz 640 --workers 4 --fraction 1.0 \
  --lr0 2e-5 --lrf 0.1 --no-qat-ema --end2end --save-period 1 \
  --name yolo26n-qat-throughput-ddp

--devices 接受至少两张、不重复的 GPU；全局 --batch 必须能被 GPU 数量整除，--workers 按每个 rank 计算。 --quant-config 可替代 --profile，且优先级更高。

当前仅验证双卡检测 QAT。三卡以上、多机和分割 DDP 尚未验证；交付前须与单卡对齐 convert_pt2e 精度和 ONNX 结构。

Quantizer 配置能力及自定义网络注意事项见quantizer_configuration.md。

5. 评估精度

评估链：float（浮点基线）→ qat（fake-quant 对照）→ convert（真实 Q/DQ，交付判定依据）→ QuantONNX。 qat 使用 checkpoint 中的冻结 qparams 重建 prepared 图，指标应能精确复现训练内 validation 结果。运行 python eval.py <mode> --help 查看完整参数。

检测

# 浮点基线
env PYTHONPATH="$PWD" \
  python eval.py float \
  --task detect --weights weights/yolo26n.pt \
  --data coco.yaml --device cuda:0 --imgsz 640

# fake-quant 对照（指标应与训练内 validation 一致）
env PYTHONPATH="$PWD" \
  python eval.py qat \
  --ckpt runs/detect/yolo26n-qat-throughput/weights/best.pt \
  --model yolo26n.yaml --pretrained weights/yolo26n.pt \
  --data coco.yaml --quant-config config-qat/config_siluInU8_attnS8_clsU16.json \
  --device cuda:0 --imgsz 640

# 真实 Q/DQ（交付判定）
env PYTHONPATH="$PWD" \
  python eval.py convert \
  --ckpt runs/detect/yolo26n-qat-throughput/weights/best.pt \
  --model yolo26n.yaml --pretrained weights/yolo26n.pt \
  --data coco.yaml --quant-config config-qat/config_siluInU8_attnS8_clsU16.json \
  --device cuda:0 --imgsz 640

# QuantONNX（ORT，须传 --model/--pretrained 以获取 head 结构）
env PYTHONPATH="$PWD" \
  python eval.py onnx \
  --onnx yolo26_onnx/yolo26n_qat_throughput_slim.onnx \
  --model yolo26n.yaml --pretrained weights/yolo26n.pt \
  --data coco.yaml --device cpu --imgsz 640 --batch 16

YOLO11n 将 --model 换为 yolo11n.yaml、--pretrained 换为 weights/yolo11n.pt，其余参数相同； eval.py onnx 会从 head 自动读取 reg_max=16 进行 DFL 解码，无需单独后端。

分割

分割 QAT checkpoint 使用独立的 segment 模式，评估会从 checkpoint 恢复训练时的 overlap_mask 和 mask_ratio，QAT state 必须与当前 prepared graph 严格匹配：

env PYTHONPATH="$PWD" \
  python eval.py segment \
  --ckpt runs/segment/yolo26n-seg-qat/weights/best.pt \
  --model yolo26n-seg.yaml --pretrained weights/yolo26n-seg.pt \
  --quant-config config-qat/config_yolo26nSeg_siluInU16_attnS8.json \
  --data coco-seg.yaml --device 0 --batch 16

OBB

OBB checkpoint 使用 qat/convert 评估旋转框 mAP；QuantONNX 三输出（boxes、scores、angle）使用 onnx-obb，不支持 rect validation：

# fake-quant 对照
env PYTHONPATH="$PWD" \
  python eval.py qat \
  --task obb --ckpt runs/obb/yolo26n-obb-qat-smoke/weights/best.pt \
  --model yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --data dota8.yaml --quant-config config-qat/config_yolo26nObb_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 640 --pycoco False

# 真实 Q/DQ（交付判定）
env PYTHONPATH="$PWD" \
  python eval.py convert \
  --task obb --ckpt runs/obb/yolo26n-obb-qat-smoke/weights/best.pt \
  --model yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --data dota8.yaml --quant-config config-qat/config_yolo26nObb_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 640 --pycoco False

# QuantONNX
env PYTHONPATH="$PWD" \
  python eval.py onnx-obb \
  --onnx yolo26_onnx/yolo26n_obb_qat_slim.onnx \
  --model yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --data dota8.yaml --device cpu --imgsz 640 --batch 16 --workers 4

Pose

Pose checkpoint 使用 qat/convert 评估；QuantONNX 三输出（boxes、scores、keypoints）使用 onnx-pose 同时评估 Box/Pose mAP：

# fake-quant 对照
env PYTHONPATH="$PWD" \
  python eval.py qat \
  --task pose --ckpt runs/pose/yolo26n-pose-qat-smoke/weights/best.pt \
  --model yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --data coco8-pose.yaml --quant-config config-qat/config_yolo26nPose_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 640 --pycoco False

# 真实 Q/DQ（交付判定）
env PYTHONPATH="$PWD" \
  python eval.py convert \
  --task pose --ckpt runs/pose/yolo26n-pose-qat-smoke/weights/best.pt \
  --model yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --data coco8-pose.yaml --quant-config config-qat/config_yolo26nPose_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 640 --pycoco False

# QuantONNX
env PYTHONPATH="$PWD" \
  python eval.py onnx-pose \
  --onnx yolo26_onnx/yolo26n_pose_qat_smoke_slim.onnx \
  --model yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --data coco8-pose.yaml --device cpu --imgsz 640 --batch 1 --workers 0

分类

分类指标为 Top-1/Top-5；QuantONNX 输出单个 logits，host 端做 softmax/argmax：

# fake-quant 对照
env PYTHONPATH="$PWD" \
  python eval.py qat \
  --task classify --ckpt runs/classify/yolo26n-cls-qat-smoke/weights/best.pt \
  --model yolo26n-cls.yaml --pretrained weights/yolo26n-cls.pt \
  --data imagenet10 --quant-config config-qat/config_yolo26nCls_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 224 --batch 32 --workers 4

# 真实 Q/DQ（交付判定）
env PYTHONPATH="$PWD" \
  python eval.py convert \
  --task classify --ckpt runs/classify/yolo26n-cls-qat-smoke/weights/best.pt \
  --model yolo26n-cls.yaml --pretrained weights/yolo26n-cls.pt \
  --data imagenet10 --quant-config config-qat/config_yolo26nCls_siluInU8_attnS8.json \
  --device cuda:0 --imgsz 224 --batch 32 --workers 4

6. 导出 QuantONNX

QAT checkpoint 必须使用 export.py，显式指定任务、浮点权重、QAT checkpoint 和量化配置。导出失败说明 checkpoint、配置或量化图存在问题，禁止修改模型加载逻辑强行导出。export.py 会在 _slim.onnx 中自动完成 BN 折叠、requant 合并和 Split/Reshape 对齐后处理。--end2end 控制选 one2one（NMS-free）还是 one2many 分支；Segment 和 Classify 固定使用 one2one，忽略该参数。

检测

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python export.py \
  --task detect --model yolo26n.yaml --pretrained weights/yolo26n.pt \
  --qat-weights runs/detect/yolo26n-qat-throughput/weights/best.pt \
  --quant-config config-qat/config_siluInU8_attnS8_clsU16.json \
  --out yolo26_onnx/yolo26n_qat_throughput.onnx \
  --device cuda:0 --imgsz 640 640 --end2end true

分割

输出 9 个张量：三尺度 boxes_pN/scores_pN、mask_coefficient、proto_masks、proto_semseg：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python export.py \
  --task segment --model yolo26n-seg.yaml --pretrained weights/yolo26n-seg.pt \
  --qat-weights runs/segment/yolo26n-seg-qat/weights/best.pt \
  --quant-config config-qat/config_yolo26nSeg_siluInU16_attnS8.json \
  --out yolo26_onnx/yolo26n_seg_qat.onnx \
  --device cuda:0 --imgsz 640 640

OBB

输出 3 个张量：boxes、scores、angle：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python export.py \
  --task obb --model yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --qat-weights runs/obb/yolo26n-obb-qat-smoke/weights/best.pt \
  --quant-config config-qat/config_yolo26nObb_siluInU8_attnS8.json \
  --out yolo26_onnx/yolo26n_obb_qat.onnx \
  --device cuda:0 --imgsz 640 640 --end2end true

Pose

输出 3 个张量：boxes、scores、keypoints：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python export.py \
  --task pose --model yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --qat-weights runs/pose/yolo26n-pose-qat-smoke/weights/best.pt \
  --quant-config config-qat/config_yolo26nPose_siluInU8_attnS8.json \
  --out yolo26_onnx/yolo26n_pose_qat.onnx \
  --device cuda:0 --imgsz 640 640 --end2end true

分类

不使用 --end2end，输入 224，输出单个 logits（host 端做 softmax/argmax）：

env PYTHONPATH="$PWD" CUDA_DEVICE_ORDER=PCI_BUS_ID \
  python export.py \
  --task classify --model yolo26n-cls.yaml --pretrained weights/yolo26n-cls.pt \
  --qat-weights runs/classify/yolo26n-cls-qat-smoke/weights/best.pt \
  --quant-config config-qat/config_yolo26nCls_siluInU8_attnS8.json \
  --out yolo26_onnx/yolo26n_cls_qat_smoke.onnx \
  --device cuda:0 --imgsz 224 224

7. 验收 Slim ONNX

检测结构验收

python \
  .codex/skills/yolo-qat-config-discovery/scripts/validate_qat_structure.py \
  yolo26_onnx/yolo26n_qat_throughput_slim.onnx \
  --quant-config config-qat/config_siluInU8_attnS8_clsU16.json \
  --ort --expect-aligned-split-reshape 2

任务输出契约

任务	QuantONNX 输出	评估入口
检测	三尺度 `boxes/scores`，共 6 个输出	`eval.py onnx`
分割	三尺度 `boxes/scores`、mask coefficient、proto	`eval.py segment`（checkpoint）
OBB	`boxes`、`scores`、`angle`	`eval.py onnx-obb`
Pose	`boxes`、`scores`、`keypoints`	`eval.py onnx-pose`
分类	单个 `logits`（host 端做 softmax/argmax）	`eval.py convert`（checkpoint）

所有最终模型均需通过 ONNX checker 和目标运行时加载。检测交付模型还必须满足 BN、requant、Attention S8 和 Split/Reshape 量化参数约束；其他任务按各自训练配置和输出契约验收，不得直接套用检测节点编号。

8. 图片验证

test.py 支持单张图片、目录或 glob，绘制结果默认保存到 runs/predict/qat-test/。使用 --save-txt --save-conf 可同时保存标签。

检测

# QAT checkpoint：自动读取 checkpoint 中记录的 quant config
env PYTHONPATH="$PWD" \
  python test.py \
  --model runs/detect/yolo26n-qat-throughput/weights/best.pt \
  --source bus.jpg --device cpu

# 六输出 QuantONNX
env PYTHONPATH="$PWD" \
  python test.py \
  --model yolo26_onnx/yolo26n_qat_throughput_slim.onnx \
  --source bus.jpg --device cpu

分割

分割 checkpoint 和 QuantONNX 使用相同入口，增加 --task segment。输出图同时绘制检测框和实例 mask：

env PYTHONPATH="$PWD" \
  python test.py --task segment \
  --model runs/segment/yolo26n-seg-qat/weights/best.pt \
  --model-yaml yolo26n-seg.yaml --pretrained weights/yolo26n-seg.pt \
  --source bus.jpg --device 0

env PYTHONPATH="$PWD" \
  python test.py --task segment \
  --model yolo26_onnx/yolo26n_seg_qat_slim.onnx \
  --model-yaml yolo26n-seg.yaml --pretrained weights/yolo26n-seg.pt \
  --source bus.jpg --device cpu

OBB

OBB checkpoint 和三输出 QuantONNX 使用 --task obb。输出会绘制旋转框；OBB QuantONNX 必须保留 boxes、scores、angle 三个拼接输出：

env PYTHONPATH="$PWD" \
  python test.py --task obb \
  --model runs/obb/yolo26n-obb-qat-attnS8-smoke/weights/best.pt \
  --model-yaml yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --quant-config config-qat/config_yolo26nObb_siluInU8_attnS8.json \
  --source bus.jpg --device cpu

env PYTHONPATH="$PWD" \
  python test.py --task obb \
  --model yolo26_onnx/yolo26n_obb_qat_attnS8_smoke_slim.onnx \
  --model-yaml yolo26n-obb.yaml --pretrained weights/yolo26n-obb.pt \
  --source bus.jpg --device cpu

Pose

Pose checkpoint 和三输出 QuantONNX 使用 --task pose。输出会绘制人体关键点；Pose QuantONNX 必须保留 boxes、scores、keypoints 三个拼接输出：

env PYTHONPATH="$PWD" \
  python test.py --task pose \
  --model runs/pose/yolo26n-pose-qat-attnS8-smoke/weights/best.pt \
  --model-yaml yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --quant-config config-qat/config_yolo26nPose_siluInU8_attnS8.json \
  --source bus.jpg --device cpu

env PYTHONPATH="$PWD" \
  python test.py --task pose \
  --model yolo26_onnx/yolo26n_pose_qat_slim.onnx \
  --model-yaml yolo26n-pose.yaml --pretrained weights/yolo26n-pose.pt \
  --source bus.jpg --device cpu

分类

分类 checkpoint 和单输出 QuantONNX 使用 --task classify。输出绘制 Top-5 类名与概率（ONNX 输出 logits， test.py 在 host 端做 softmax 后显示）；--data 提供数据集名以显示正确类名（checkpoint 会自动从 train_args 读取）：

env PYTHONPATH="$PWD" \
  python test.py --task classify \
  --model runs/classify/yolo26n-cls-qat-smoke/weights/best.pt \
  --model-yaml yolo26n-cls.yaml --pretrained weights/yolo26n-cls.pt \
  --quant-config config-qat/config_yolo26nCls_siluInU8_attnS8.json \
  --source bus.jpg --device cpu

env PYTHONPATH="$PWD" \
  python test.py --task classify \
  --model yolo26_onnx/yolo26n_cls_qat_smoke_slim.onnx \
  --data imagenet10 --source bus.jpg --device cpu

模型部署

请阅读 qat_deployment.md。

Name		Name	Last commit message	Last commit date
.codex/skills		.codex/skills
.github/ISSUE_TEMPLATE		.github/ISSUE_TEMPLATE
axera-npu		axera-npu
config-qat		config-qat
docker		docker
docs		docs
examples		examples
scripts		scripts
tests		tests
ultralytics		ultralytics
.dockerignore		.dockerignore
.gitignore		.gitignore
AGENTS.md		AGENTS.md
CITATION.cff		CITATION.cff
CLAUDE.md		CLAUDE.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
MODEL_CHANGES.md		MODEL_CHANGES.md
README.md		README.md
eval.py		eval.py
export.py		export.py
mkdocs.yml		mkdocs.yml
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
test.py		test.py
train_gpus.py		train_gpus.py
train_qat.py		train_qat.py

Uh oh!

Latest commit

History

Folders and files

Repository files navigation

QAT.Ultralytics

精度结果

检测

分割

QAT 量化配置

快速开始

1. 安装依赖

2. 准备数据集

3. 运行 Smoke

4. 正式训练

YOLO26 检测

YOLO11 检测

分割

OBB

Pose

分类

多 GPU 检测

5. 评估精度

检测

分割

OBB

Pose

分类

6. 导出 QuantONNX

检测

分割

OBB

Pose

分类

7. 验收 Slim ONNX

检测结构验收

任务输出契约

8. 图片验证

检测

分割

OBB

Pose

分类

模型部署

About

Topics

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages