引言：边缘部署的“最后一公里”困局
把YOLO模型部署到边缘设备上，是所有计算机视觉工程师都会面临的“最后一公里”难题。FP32模型在Jetson Nano、树莓派或RK3588上跑起来，推理延迟动辄几十甚至上百毫秒，内存占用几百兆，实时检测基本是奢望。
量化技术因此被推上日程。但摆在面前的两条路——训练后量化（PTQ，Post-Training Quantization）和量化感知训练（QAT，Quantization-Aware Training）——该怎么选，却让无数团队纠结不已。
PTQ快，几十分钟到几小时就能搞定；QAT慢，可能需要数小时到数天的额外训练时间。有人觉得QAT精度更高就该无脑上，有人觉得PTQ简单快速够用就行。真实情况远比“非此即彼”复杂得多。
本文基于2026年近3个月内YOLO生态的最新技术动态、开源项目、官方发布和学术论文，从精度、工程复杂度、部署方案、硬件适配、安全风险等多个维度，深度拆解QAT与PTQ的真实代价与收益，帮你做出最适合自己业务场景的决策。
先给结论：QAT的核心价值在于用额外的训练时间换取更低的精度损失——INT8下通常精度损失<0.5% mAP，尤其对低位宽量化（INT4）或精度敏感场景不可替代。但PTQ只要少量校准数据，无需重新训练，在精度损失可接受时性价比极高。先跑一遍PTQ评估精度损失，再决定是否值得投入QAT——这是最务实的工程策略。
