问题定位清楚了：量化导致分类分支精度崩塌（logits -10~-8 → sigmoid 后置信度≈0）。这是自定义数据集 PTQ 的典型问题。
立即解决方案
方案 
：改用 Int16 量化（最推荐）
Int16 对分类头精度保护更好，适合小目标/数字检测：
# config.yaml 中添加
quantization:
cal_data_type: "int16" # 改为 int16
calibration_type: "max" # 或尝试 max_percentile
# 重新转换模型
hb_mapper makertbin --model-config your_config.yaml
参考：PTQ 精度调优—YOLOv8x 设置 Int16 量化
方案 
：检查校准数据质量
100 张可能不够，且需要覆盖所有 11 个类别：
# 检查校准数据分布
# 确保每类数字都有足够样本（至少 10 张/类）
# 包含不同光照、角度、电压表型号
关键检查点：
- 校准图片是否与推理图片同一预处理流程？
.raw文件是否真的是 RGB 格式（不是 BGR/NV12）？- 图片是否包含空背景样本（帮助模型学习"无目标"情况）？
方案 
：调整量化配置
# config.yaml 优化建议
calibration:
calibration_type: "max_percentile"
max_percentile: 0.9999 # 保护极端值
per_channel: true # 逐通道量化
asymmetric: true # 非对称量化
# 对分类头单独配置（如果支持）
custom_op:
- name: "classification_head"
quantize: false # 或尝试 float 保留
方案 
：代码层面验证
# 调试代码：打印量化前后输出对比
import numpy as np
# 加载 bin 模型推理
output = model.infer(image)
# 检查每个 head 的输出范围
for i, out in enumerate(output):
print(f"Head {i}: min={out.min():.4f}, max={out.max():.4f}, mean={out.mean():.4f}")
# 正常情况分类 logits 应该在 -5 ~ 5 之间
# 如果全是 -10~-8，说明量化参数计算错误
快速验证步骤
# 1. 先用 ONNX 模型在 PC 上验证精度
python3 test_onnx.py --model your_model.onnx --image test.jpg
# 如果 ONNX 正常 → 量化问题
# 如果 ONNX 也不正常 → 模型训练问题
# 2. 尝试官方示例代码跑你的 bin 模型
cd /app/rdk_model_zoo/demos/detect/YOLOv8
python3 yolov8_detect.py --model your_model.bin --image test.jpg
# 排除自己代码的后处理问题
# 3. 降低置信度阈值测试
# 在推理代码中设置 conf_threshold = 0.01
# 看是否有框出现（即使很烂）
推荐参考
| 帖子 | 链接 |
|---|---|
| Int16 量化配置 | PTQ 精度调优手段 |
| 自定义模型部署 | 万字长文部署教程 |
| 类似问题案例 | PTQ 转换后检测不到目标 |
| YOLOv8 官方示例 | rdk_model_zoo/YOLOv8 |
建议操作顺序
- 先试 Int16 量化（30 分钟可完成）
- 同时检查校准数据分布（确保 11 类都有覆盖）
- 用官方示例代码验证（排除自己代码问题）
- 如果还不行，考虑 QAT 量化训练（精度最好但耗时）
建议把你的 config.yaml 和校准数据统计发到社区，会有更多开发者帮你分析量化配置问题。