C#+YOLO 模型量化后精度暴跌？一文教你 INT8 量化不丢精度的正确姿势

摘要：
为了在边缘设备（如 RK3588, Jetson Nano, Intel NPU）上获得极致速度，你将 YOLO 模型从 FP32 量化为 INT8。
结果却是灾难性的：

• mAP 从 0.85 直接掉到 0.40。
• 小目标完全消失，大目标置信度虚高。
• C# 推理结果与 Python 训练结果天差地别。

真相是：量化不是简单的“格式转换”，而是一场精密的“数据校准”手术。
90% 的精度丢失源于：校准数据集（Calibration Dataset）选错、量化范围（Scale/Zero-point）计算偏差、或C# 推理时的反量化逻辑错误。

本文提供一套工业级 INT8 量化全流程指南：

1. 原理拆解：为什么直接取整会死得很难看？
2. 校准陷阱：如何挑选那“关键的 500 张图”？
3. 工具链实战：使用 ONNX Runtime Quantization 或 TensorRT 的正确参数配置。
4. C# 推理适配：处理 INT8 输入/输出的特殊代码逻辑。
5. 精度修复：混合精度（