VIP20
本课程属于：019-YOLO系列算法实战 AI视觉与工业视觉 · 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

YOLO模型剪枝与量化实战技巧

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
课程导论
YOLO模型部署痛点 · 剪枝与量化核心概念 · 课程目标与学习路径
课程导论YOLO
02
模型剪枝基础
剪枝原理（结构化与非结构化） · 稀疏性概念 · 剪枝粒度（权重级
模型剪枝基础剪枝原理
03
YOLO结构解析
YOLOv5/v8/v10核心组件（… · Neck · Head）
YOLO结构解析
04
剪枝工具链
PyTorch原生剪枝API · torch.nn.utils.pru… · 自定义剪枝函数
剪枝工具链PyTorch
05
结构化剪枝实战（通道剪枝）
基于BN层权重的通道剪枝原理 · YOLO中BN层定位与重要性排序
结构化剪枝实战通道剪枝
06
通道剪枝代码实现
遍历模型层 · 计算BN gamma值 · 设定剪枝阈值
通道剪枝代码实现遍历模型层
07
剪枝后模型微调
剪枝导致精度下降的原因 · 学习率策略（余弦退火 · Warmup）
剪枝后模型微调剪枝导致精度下降…
08
YOLO专用剪枝库（Ultralytics集成）
使用Ultralytics的prun… · 配置文件参数详解
YOLOUltralytics
09
剪枝率选择策略
不同剪枝率对mAP的影响实验 · FLOPs与参数量的权衡 · 安全剪枝率区间
剪枝率选择策略mAP
10
模型量化基础
量化原理（对称/非对称） · 量化粒度（逐层/逐通道） · 精度与比特宽度的关系
模型量化基础量化原理
11
PTQ（训练后量化）实战
使用torch.quantizati… · 校准数据集准备 · INT8模型导出
PTQ训练后量化
12
QAT（量化感知训练）实战
FakeQuantize层插入 · QAT训练流程 · BN层融合技巧
QAT量化感知训练
13
YOLO量化难点
Detect层对量化的不友好性 · Softmax与Sigmoid的量化… · 边界框回归的精度损失
YOLO量化难点
14
混合精度量化
不同层使用不同比特宽度（FP16/I… · 敏感层保留高精度 · 自动化混合精度搜索
混合精度量化FP16/I
15
ONNX导出与量化
YOLO转ONNX的注意事项 · ONNX Runtime量化工具（o…
ONNX导出
16
TensorRT部署优化
TensorRT对剪枝模型的加速原理 · INT8 Calibration · 动态形状处理
TensorRT部署优化
17
NCNN/TNN端侧部署
移动端量化模型转换 · FP16与INT8在ARM上的性能对… · 算子兼容性检查
NCNN/TNN端侧部署
18
剪枝+量化联合优化
先剪枝后量化 vs 先量化后剪枝 · 联合优化的精度恢复策略
剪枝+量化联合优…vs
19
模型压缩评估指标
模型大小（MB） · 推理速度（FPS） · 内存占用
模型压缩评估指标MB
20
精度恢复技巧
知识蒸馏辅助剪枝/量化 · 教师网络选择 · 蒸馏损失函数设计
精度恢复技巧知识蒸馏辅助剪枝
21
自动化剪枝框架（NNI/OFA）
微软NNI的剪枝模块 · Once-for-All网络 · 渐进式剪枝
NNI/OFA自动化剪枝框架
22
YOLO剪枝案例分析（交通场景）
车检模型剪枝50% FLOPs · 精度仅下降0.3%的实战记录
YOLO剪枝案例分析
23
YOLO量化案例分析（工业质检）
缺陷检测模型INT8量化 · 推理速度提升3倍 · 精度损失<1%
YOLO量化案例分析
24
剪枝量化常见问题
梯度爆炸 · BN层统计量偏移 · 量化后输出NaN的排查与修复
剪枝量化常见问题梯度爆炸
25
模型部署流水线（CI/CD）
自动化剪枝-量化-测试-部署流程 · Docker镜像构建
CI/CD模型部署流水线
26
硬件适配优化
GPU（CUDA Kernel优化） · NPU（华为昇腾/瑞芯微） · TPU（Google Edge TP…
硬件适配优化GPU
27
模型安全与鲁棒性
剪枝/量化后对抗攻击的脆弱性分析 · 防御性微调策略
模型安全鲁棒性
28
前沿趋势
动态剪枝 · 可微分剪枝 · 混合精度量化搜索（HAQ）
前沿趋势动态剪枝
29
综合实战项目（一）
从YOLOv8s到剪枝50%+INT… · 完整代码与脚本
综合实战项目YOLOv8s
30
综合实战项目（二）
端到端部署到Jetson Orin · 性能调优与Benchmark报告
综合实战项目Jetson