转换单目标跟踪模型（两个分支，cls和reg），reg分支部分中间层的余弦相似度出现了异常低值，量化后的模型已经经过长时间验证，发现在部分场景下，reg分支的输出结果相较于onnx模型波动较大，由于跟踪问题较为特殊，模型误差会随着时间累积，因此需要量化后的模型结果尽可能接近原始模型。请问如何改善余弦相似度过低的问题。附件中是原始的onnx模型和转换日志。
1. 建议先更换校准方法，从default开始进行尝试；不行的话，将 calibration_type 配置为 max，并配置 max_percentile 为不同的分位数（取值范围是0-1之间），推荐您优先尝试 0.99999、0.99995、0.9999、0.9995、0.999，通过这五个配置观察模型精度的变化趋势，最终找到一个最佳的分位数；尝试启用 per_channel，可与之前任意校准方式配合使用。
2. 可以尝试适当增加或减少数据数量（通常来说检测场景相较于分类场景需要的校准数据要少；此外可以观察模型输出的漏检情况，适当增加对应场景的校准数据）；
3. 指定算子（满足一定要求）运行在 CPU 上请通过yaml文件中的 run_on_cpu 参数，通过指定节点名称将对应算子运行在cpu上（参考示例：run_on_cpu: conv_0），可以尝试将相似度较低的算子指定跑在CPU上；
4. 预计下个月会新发版，建议届时尝试新版工具链再次尝试一下；
5. 预计在新发版工具链中会提供debug调试工具，欢迎尝试使用！