4. 校准数据基础

在模型量化流程中，校准数据（Calibration Data）是连接浮点模型与定点模型的关键桥梁。它不参与权重更新，也不改变网络结构，却直接决定了激活值量化参数（scale / zero-point）的取值质量。换句话说，校准数据是量化器“观察”真实输入分布的窗口，窗口选得准，量化误差就小；窗口选偏了，再精细的量化算法也难以挽回精度损失。

一、校准数据到底在做什么

以地平线（Horizon）工具链中常见的 PTQ（Post-Training Quantization）流程为例，校准阶段会逐层执行前向推理，并收集激活值的统计量。常见统计方式包括 Min-Max、KL 散度、百分位截断（Percentile）等。校准数据的作用可以归纳为三点：

• 确定动态范围：为每层激活找到合适的 min/max 或截断阈值，避免离群值把有效数值区间“撑爆”。
• 降低量化误差：让量化后的整数网格尽可能覆盖真实数据密集区，减少舍入误差与饱和误差。
• 稳定部署表现：校准分布与真实推理分布越接近，板端精度越可预期，避免“仿真精度高、上板掉点”的落差。

需要强调的是，校准数据不是训练数据，也不是验证数据。它通常从训练集或真实业务数据中抽取，规模远小于训练集，但必须覆盖模型在部署时可能遇到的输入模式。

二、数据分布要求：贴近真实推理分布

校准数据的核心要求是“分布匹配”。如果校准集与部署时的输入分布存在明显偏移，量化参数就会偏向错误区间。例如，一个车载感知模型在白天数据上校准，却部署到夜间场景，激活值整体偏低，量化 scale 偏大，暗部细节就会被量化噪声淹没。

因此，校准数据应满足以下分布要求：

1. 同源同域：校准数据应来自与部署场景相同的传感器、相同的前处理流程、相同的分辨率与色彩空间。
2. 覆盖长尾：不能只挑“干净好样本”，要包含低照度、逆光、雨雾、遮挡等边缘场景，否则离群值统计失真。
3. 避免极端偏斜：若某类样本占比过高，激活分布会被该类主导，其他类别精度下降。
4. 前处理一致：归一化、减均值、缩放等操作必须与部署时完全一致，否则统计量无意义。

三、数据量与多样性原则

校准数据量并非越多越好。数量过多会显著拉长校准时间，而收益很快趋于饱和；数量过少则统计不稳定，量化参数抖动大。经验上，分类模型常用 100～500 张，检测模型常用 200～1000 张，具体取决于模型深度与激活分布复杂度。

多样性比绝对数量更重要。一个 200 张但覆盖多场景、多光照、多类别的校准集，往往优于 1000 张同质化样本。多样性应体现在：场景多样性、目标尺度多样性、光照与天气多样性、以及数据增强后的分布多样性。

四、典型场景与配置示例

以地平线工具链的校准配置为例，通常需要指定校准数据列表、校准方法、迭代次数等参数。下面是一个简化的配置片段：

calibration:
  data_path: ./calib_list.txt      # 每行一个样本路径
  batch_size: 1
  num_samples: 300                 # 建议 200~500
  method: kl_divergence            # 可选 minmax / percentile / kl
  percentile: 99.99                # percentile 方法使用
  input_layout: NCHW
  mean: [123.675, 116.28, 103.53]
  std:  [58.395, 57.12, 57.375]

运行校准后，工具链会输出每层的量化参数与误差统计。建议重点关注激活饱和比例（saturation ratio）与 KL 散度值，若某层饱和比例长期高于 1%，说明截断阈值偏小，可尝试 percentile 或放宽 min/max。

五、误区与复盘

复盘时，建议建立一份校准数据检查清单：数据来源是否与部署一致、场景是否覆盖长尾、前处理是否对齐、样本量是否在推荐区间、是否保留了真实难例。只有把这几点做扎实，后续的精度评估与部署验证才有可靠基础。

总结来看，校准数据是量化精度的“第一道闸门”。理解它的作用、分布要求、数据量与多样性原则，并在实践中建立检查清单，才能让后续的精度评估与部署验证建立在可靠的基础之上。