VIP20
本课程属于：032-Edge AI OpenVINO部署优化 工业控制与工业互联网 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

OpenVINO模型精度校准与INT8量化部署课程

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
学习目标 · 适用人群 · 课程整体框架与学习路径
课程导入学习目标
02
深度学习模型量化基础
量化定义 · INT8量化原理 · 浮点与定点表示
深度学习模型量化…量化定义
03
OpenVINO工具套件概览
OpenVINO架构 · 核心组件 · 模型优化工具（MO）与运行时（Run…
OpenVINO工具套件概览
04
模型精度校准概念
什么是精度校准 · 为什么需要校准 · 校准与量化的关系
模型精度校准概念什么是精度校准
05
校准数据集准备
校准数据的选择原则 · 数据规模要求 · 数据预处理与格式转换
校准数据集准备校准数据的选择原…
06
OpenVINO量化工具介绍
NNCF（Neural Networ…
OpenVINO量化工具介绍
07
环境搭建与安装
OpenVINO安装 · NNCF/POT依赖配置 · 验证安装成功
环境搭建安装
08
模型转换与IR格式
将PyTorch/TensorFlo… · IR文件结构解析
IR模型转换
09
静态量化与动态量化
两种量化方式的原理 · 优缺点 · 适用场景
静态量化动态量化
10
对称量化与非对称量化
量化参数（scale · zero-point）计算 · 对称与非对称的数学表达
对称量化非对称量化
11
校准方法详解
MinMax · Percentile · MSE
校准方法详解MinMax
12
NNCF量化流程实战
使用NNCF API对PyTorch… · 配置量化参数
NNCF量化流程实战
13
POT量化流程实战
使用POT命令行或API对IR模型进… · 执行校准
POT量化流程实战
14
精度评估与指标
评估模型精度（Accuracy · F1 · mAP等）
精度评估指标
15
精度损失分析与调优
常见精度下降原因 · 如何通过调整校准算法或数据集提升精度
精度损失分析调优
16
混合精度量化
部分层保持高精度 · 部分层INT8 · 如何选择敏感层
混合精度量化部分层保持高精度
17
量化感知训练（QAT）
QAT原理 · 在OpenVINO中实现QAT的流程…
QAT量化感知训练
18
模型部署与推理优化
使用OpenVINO Runtime… · 配置推理设备 · 性能调优
模型部署推理优化
19
CPU与GPU部署差异
不同硬件上的INT8支持 · 优化策略与注意事项
CPUGPU
20
案例实战
图像分类模型（ResNet50）的I…
案例实战ResNet50
21
案例实战
目标检测模型（YOLOv5）的INT…
案例实战YOLOv5
22
案例实战
语义分割模型（UNet）的INT8量…
案例实战UNet
23
案例实战
NLP模型（BERT）的INT8量化…
案例实战NLP
24
常见问题与解决方案
量化后模型输出NaN · 精度骤降 · 推理速度未提升等问题的排查
常见问题解决方案
25
工具链集成
将量化流程集成到CI/CD流水线 · 自动化校准与验证
工具链集成CI/CD
26
性能基准测试
使用benchmark工具测量INT… · 对比FP32
性能基准测试benchmark
27
模型压缩与量化结合
剪枝 · 蒸馏与INT8量化的联合优化策略
模型压缩量化结合
28
边缘设备部署
在树莓派 · Intel NUC等边缘设备上部署I…
边缘设备部署树莓派
29
综合项目实战
从零开始对一个自定义模型进行INT8… · 校准 · 部署与精度验证
综合项目实战INT8
30
课程总结与进阶方向
回顾核心知识点 · 常见误区 · 学习资源与未来趋势
课程总结进阶方向