核心结论
校准数据集不必须使用训练集，但必须与推理数据分布一致。使用不同分布的数据集会直接导致量化精度下降。
原理说明
PTQ（Post-Training Quantization）量化的核心步骤：
- 校准阶段：用校准数据集跑一遍模型，统计每层激活值的最大值/最小值/分布
- 确定量化参数：根据统计结果计算每层的
scale和zero_point - 量化权重：将 FP32 权重转换为 INT8
关键点：校准数据集的作用是代表推理时的数据分布。如果校准数据与真实推理数据分布差异大：
- 激活值统计范围不准确
- 量化区间（quantization range）设置错误
- 导致大量有效信息被截断或压缩，精度下降
实践建议
校准数据集选择原则
| 场景 | 推荐方案 |
|---|---|
| 有训练集 | 从训练集中随机抽取 100-500 张代表性图片 |
| 无训练集 | 收集真实推理场景的典型数据（至少 200 张） |
| 多场景应用 | 按场景比例混合采样，覆盖所有 corner case |
校准数据集要求
# 推荐数量
校准图片数量：200-500 张（过多收益递减）
# 数据分布
- 覆盖所有光照条件（白天/夜晚/逆光）
- 覆盖所有目标尺度（近/中/远）
- 覆盖所有角度（正视图/侧视图/俯视）
- 包含典型失败案例（模糊/遮挡/小目标）
S100P 量化命令参考
# hb_mapper 量化示例
hb_mapper quantize \
--model your_model.onnx \
--calib-data /path/to/calib_dataset \
--calib-num 256 \
--output-dir ./quant_output
精度下降排查路径
如果已经出现精度下降，按以下顺序排查：
-
检查校准数据分布
# 对比校准集和推理集的统计特征 - 亮度直方图 - 目标尺寸分布 - 类别比例 -
增加校准数据量
- 从 200 张增加到 500 张
- 确保覆盖所有场景
-
检查量化配置
- 确认敏感层是否设置为 FP16（如有需要）
- 检查是否有算子回退到 CPU
-
对比测试
- 用训练集子集重新校准，对比精度
- 如果训练集校准效果好 → 确认是分布问题
社区资源
建议参考以下帖子获取更多 S100 量化经验：
- RDKS100 量化工具链量化 2300 个算子的一个模型是否可行 - 量化流程问题讨论
- 基于 RDK S100 的 ASAP 优化框架量化方案 - 精华帖，量化优化方案
建议行动
- 优先使用真实场景数据作为校准集（即使不是训练集）
- 确保校准集覆盖所有推理场景
- 如果精度仍不达标，可以：
- 混合训练集 + 真实数据
- 对敏感层使用混合精度（FP16+INT8）
如果问题持续，建议提供：
- 模型类型（检测/分割/分类）
- 校准集数量及来源
- 量化前后精度对比数据
方便社区进一步分析。