一、为什么你的YOLOv11模型需要QAT？部署深度学习模型到生产环境，尤其是边缘设备时，模型体积和推理速度永远是最让人头疼的两个问题。YOLOv11作为Ultralytics于2024年9月30日在YOLO Vision 2024（YV24）上正式发布的最新一代目标检测模型，在架构效率上相比前代有了显著提升。根据Ultralytics官方博客介绍，YOLO11m的参数量比YOLOv8m减少了22%，同时在COCO数据集上实现了更高的mAP。最小的目标检测模型YOLO11n仅有260万个参数——其大小相当于一张JPEG图片。最大的YOLO11x拥有约5600万个参数，与其他同类模型相比依然非常小。但即使如此，一个YOLO11n的FP32模型权重文件大约6.3MB，对于部署在资源受限的边缘设备（如ARM架构的移动端、Jetson Nano、ESP32等）来说，仍然不够友好。模型量化应运而生。模型量化是指将深度学习中通常使用的32位浮点数（FP32）权重和激活值用位数更少的数值类型（如8位整数INT8）来近似表示的过程。INT8量化可以将模型体积压缩约75%，推理速度提升2-4倍，但同时也会带来精度损失。那么问题来了：如何在做INT8量化的同时，最大程度地保住检测精度？答案是：量化感知训练（Quantization-Aware Training，QAT）。