v8.4.143 - Add INT8 quantization-aware training via quantize=8 in train mode (#26083)
Ultralytics YOLO v8.4.143 发布，新增 INT8 量化感知训练（QAT）支持，通过 train 模式下的 quantize=8 参数实现。该功能在训练时模拟 INT8 量化，微调预训练权重，并将校准范围存入检查点，支持直接导出到 ONNX 和 TensorRT（含 Q/DQ 节点），无需导出时校准数据。同时改进了验证指标（每类 AP75）和部署文档。
Development
- First Reportv8.4.143 - Add INT8 quantization-aware training via quantize=8 in train mode (#26083)Ultralytics
- Current Assessment该功能降低了边缘设备部署 YOLO 模型的复杂度，可能推动更多实时推理应用。Ultralytics 持续优化部署工具链，反映开源模型在边缘 AI 的竞争加剧。Agent Pulse · analysis
Ultralytics 发布 YOLO v8.4.143，引入 INT8 量化感知训练（QAT），允许在训练阶段模拟 INT8 量化，使模型在部署前适应量化误差，而非训练后直接量化。该功能复用现有 quantize 参数，无新增 API 或依赖，支持将校准范围存入检查点，并可直接导出到 ONNX 和 TensorRT（含 Q/DQ 节点），无需导出时提供校准数据。这简化了边缘设备部署流程，尤其适合资源受限的硬件。此外，该版本还增加了每类 AP75 验证指标，覆盖检测、分割、姿态和 OBB 任务，并改进了 DeepStream 部署文档，使用原生导出器。
INT8 QAT 在训练中模拟量化，使模型权重适应量化噪声，通常能减少精度损失。将校准范围存入检查点并支持导出时无需校准数据，简化了部署流程。但 QAT 的有效性依赖于训练数据的代表性，且校准范围可能过拟合训练分布。建议验证在真实部署数据上的表现，并监控量化敏感层。
该功能降低了边缘设备部署 YOLO 模型的复杂度，可能推动更多实时推理应用。Ultralytics 持续优化部署工具链，反映开源模型在边缘 AI 的竞争加剧。
对于使用 YOLO 的开发者，该功能可减少部署工作量，提升模型在边缘设备上的性能，可能降低推理成本。
后续可关注该 QAT 功能在社区的实际使用反馈，以及是否支持其他量化精度（如 FP16）或自动校准策略。