# 模型量化 * 模型INT8量化 * 模型图优化 ## 模型INT8量化首先，我们要得到pt模型文件，在“模型训练”中，我讲解了可以通过本地训练和云端训练两种方式得到经过训练后的pt模型文件。

利用anaconda新建一个环境（例如可以命令为petoi\_convert\_local），在新环境中依次执行： ``` pip install ultralytics pip install tensorflow ``` （！注意：我们在模型训练章节的本地训练部分使用anaconda新建了petoi\_train\_local环境，而本节使用的petoi\_convert\_local环境和petoi\_train\_local环境是两个不同的环境，不可使用petoi\_train\_local进行以下操作。）下面，我们需要对模型进行量化，执行： ``` yolo export model=${your model path} format=tflite imgsz=192 int8 ``` 你将会在当前文件夹下看到一个 `yolov8n_saved_model` 文件夹，其中包含 `yolov8n_full_integer_quant.tflite` 模型文件。

## 图优化下面进行图优化。如果您是windows电脑，您需要安装 Microsoft C++ Build Tools。如果您是Mac用户或者Linux用户，则不需要安装。 {% embed url="" %} 执行 ``` pip3 install ethos-u-vela ``` 创建vela\_config.ini,将以下内容复制到vela\_config.ini ``` ; file: my_vela_cfg.ini ; ----------------------------------------------------------------------------- ; Vela configuration file ; ----------------------------------------------------------------------------- ; System Configuration ; My_Sys_Cfg [System_Config.My_Sys_Cfg] core_clock=400e6 axi0_port=Sram axi1_port=OffChipFlash Sram_clock_scale=1.0 Sram_burst_length=32 Sram_read_latency=16 Sram_write_latency=16 Dram_clock_scale=0.75 Dram_burst_length=128 Dram_read_latency=500 Dram_write_latency=250 OnChipFlash_clock_scale=0.25 OffChipFlash_clock_scale=0.015625 OffChipFlash_burst_length=32 OffChipFlash_read_latency=64 OffChipFlash_write_latency=64 ; ----------------------------------------------------------------------------- ; Memory Mode ; My_Mem_Mode_Parent [Memory_Mode.My_Mem_Mode_Parent] const_mem_area=Axi1 arena_mem_area=Axi0 cache_mem_area=Axi0 ``` 在终端执行 ``` vela --accelerator-config ethos-u55-64 --config vela_config.ini --system-config My_Sys_Cfg --memory-mode My_Mem_Mode_Parent --output-dir ${Save path of the optimized model} ${The path of the tflite model that needs to be optimized} ``` 将***${Save path of the optimized model}替换为你想要的输出目录*** 将***${The path of the tflite model that needs to be optimized}***替换为你刚才得到的经过量化后的模型文件然后你就会得到以“\_vela”结尾的模型，这个模型是可以用于部署在Grove Vision V2上的模型文件。