yolo11s-pose：架构与量化方案拆解

与 yolo11n-pose 拓扑完全相同、每层通道翻倍。网球的姿态打分头 tennis_pose_score_v0（3072 维特征）架在 s 上，但同一条 tennis-latest v2.3 管线里的击球头 hitting_head_v0/coco 和持拍检测 racketeer_v3.0 都是 n，所以这条管线现在同时跑 n 和 s 两种骨干。这一页拆 s 的结构，逐项量出它和 n 在 量化上会有哪些不同，再把量化方案和对比实验列清楚。

n 和 s 用同一个脚本、同一口径实测：scripts/quant_y11s_profile.py，权重是 ultralytics 官方 yolo11s-pose.pt（md5 e42e4d65…）与 yolo11n-pose.pt， BN 已折叠，输入 640×640，激活范围取自校准集 quant_calib_v1 的 128 张（letterbox 114）· 2026-09-23 · n 的完整讲解见 /v/y11pose/

总览

24 层，同样三段：backbone(0–10) → neck(11–22) → Pose 头(23)。和 n 相比，差别只在宽度：层数、连线、C3k 开关、输出形状都一样。

从 n 到 s 改了什么

ultralytics 用同一份 yolo11-pose.yaml 缩放出 n/s/m/l/x。n→s 只改了 width 这一个旋钮。

项	n	s	影响
depth / width / max_channels	0.50 / 0.25 / 1024	0.50 / 0.50 / 1024	只有宽度翻倍，深度（Bottleneck 重复数）不变
各层通道	16 → 256	32 → 512	处处 ×2，卷积参数和 FLOPs 约 ×4
C2PSA 注意力头数	2	4	head_dim 64、key_dim 32、scale 0.1768 不变，头数随通道翻倍
Pose 头 cv2（框 DFL）中间宽度	64	64	`max(16, ch/4, 64)` 被 16×4 的下限钉住，不随宽度变
Pose 头 cv3（类别）中间宽度	64	128	`max(ch[0], nc)`，跟着 P3 通道翻倍
Pose 头 cv4（关键点）中间宽度	51	51	`max(ch/4, 51)`，被 17×3 的下限钉住
输出	(1,56,8400)	(1,56,8400)	完全相同：anchor 数、通道布局、DFL 16 bin 都一样
我们的抽头特征（层 4/6/8/10 avg+max）	1536	3072	现有板球打分/门控头不能直接用，要在 s 特征上重训

一个直接后果：Pose 头的宽度有两条分支被下限钉住，所以 s 的头只长了，远低于 backbone 的。算力占比因此从头部移回 backbone（n 的头吃 37.7% FLOPs，s 只有）。

结构图

与 n 同构。虚线是跨层连接（6→12、4→15、13→18、10→21）；上方虚线是打分/门控用的抽头。

窄屏可左右拖动。方框里是层号、模块、输出通道与 stride（640 输入）。

三段各是什么

段	结构	产出（s）	参数 s	vs n

每个模块内部怎么工作（C3k2 的 CSP 劈分、SPPF 串联池化、C2PSA、DFL）与 n 完全一样，这里不重复，见 /v/y11pose/ 特殊层与特殊算子。下面只列 s 上数值变了的部分。

特殊算子：s 上的实际参数

C2PSA（layer 10）

注意力在 20×20=400 个 token 上做，QK^T 是 4 个 400×400 的矩阵。头多了一倍，但每个头的缩放不变，所以单个 logit 的量级主要由特征本身决定。

SPPF（layer 9）

1×1 卷积 512→256，三次串联 5×5 maxpool，四路 concat（1024 通道），再 1×1 回到 512。 maxpool 不产生新值，四路 concat 的幅度天然一致（实测比 1.01×）。

DFL（Pose 头内）

仍是 16 bin、权重 0…15 的 1×1 卷积。它的输出是像素坐标，与模型大小无关 —— 这决定了 s 的全模型臂和 n 一样必须 a16（见量化视角）。

代价分布：s 的钱花在 backbone

n 的 FLOPs 有 37.7% 在 Pose 头；s 的头只长了 1.8×，比例掉到约 21%，backbone 升到过半。 所以 s 从「只切 backbone」拿到的加速比 n 小。

backbone 0–10 neck 11–22 Pose 头 23

看数据表

模型	段	参数	占比	GFLOPs	占比

逐层表

蓝色高亮行是抽头层。最后一列是这一层 s/n 的 FLOPs 倍数：卷积层都是 4×， Pose 头只有 1.7×，Upsample/Concat 是纯访存（2×）。

#	模块	from	输出（s）	参数 s	GFLOPs s	GFLOPs n	s/n

GPU 实测：bs=1 看不出差别

A100 fp32，三个切点都带 8 路抽头。bs=1 下 n 和 s 几乎一样快，因为 GPU 此时受 kernel launch 限制，不受算力限制； bs=32 按每张摊下来，s 是 n 的约 1.9 倍。两种口径都不能直接换算到 HTP，端侧必须实测。

先说结论

全模型臂仍需 a16，理由不变。DFL 解码后的框是像素坐标，跨度 692，与模型大小无关；a8 每档 2.7 px。
抽头块之间的幅度差从 11.5× 拉大到 27×。图内 concat 在 s 上会截断得更厉害，只能用 8 路各自量化（v3 形态），或者先做逐通道缩放、重新推系数。
neck 与模块内的 17 个 concat 仍在安全区（最大 2.34×，判据 3×），但比 n 更靠近阈值，必须用真量化器复核。
注意力 QK^T 跨度 +14%（181 → 207），头数翻倍；backbone 深层（layer 6/22）跨度约 ×1.7。其余层差别不大。
端侧代价是 s 真正的问题。算力约 ×3–4，而 W8A16 本来就比 W8A8 慢。s 比 n 更有理由重新评估 a8 与混合精度。

口径说明：本页的范围是 FP32 前向的 min/max（128 张校准图），也就是量化器看到的原始分布，不是 QNN 最终给出的编码。真量化器可能截断，这点 v2 那次已经证明过。所以这些数只用来预测哪些张量先受害、哪些 concat 要查，不能替代真量化器。 n 在 /v/y11pose/ 上的范围（如 QK^T 193）取自 QDQ 编码，与本页的 FP32 口径（181）不同；本页 n 和 s 用的是同一口径。

动态范围：谁变大了

「每档」= 跨度 ÷ 档位数（per-tensor），也就是这个张量在该位宽下能分辨多细。

抽头 8 个块：幅度差 27×

这是 s 在量化上最大的结构性差别。avg 块在 s 上更小（avg4 0.72），max 块更大（max6 19.5）：通道多了，全局 max 更容易撞到极值，全局 avg 反而被稀释。

ns FP32 跨度（hi − lo），128 张校准图

对接口的含义：v2 那次失败的 concat，QDQ 口径下幅度比是 12.8×（本页 FP32 口径 n 为 11.5×，基本对得上），当时 max 分支被整块截断、ρ 掉 0.027。 s 是 27×，图内直接 concat 只会更糟。

8 路各自量化（v3）：每路自带编码，与幅度差无关 → s 的默认形态。输出名同样会被改成 output_0…7，映射同样要按位置验证。
concat 前逐通道缩放（v2）：理论可行，但系数是按 n 的特征分布推的，s 要重推 3072 个系数、重新折进头的 mu/sd。

图内的 17 个 concat：仍安全，但更接近阈值

逐个拦截了前向里的 torch.cat，按各输入的跨度算幅度比（最大/最小）。判据沿用 n 上得出的「> 约 3× 要查编码」。

读法：s 的中位比从 1.32× 升到 1.61×，最大 2.34×（layer 19 的 C3k2），都低于 3×。 neck 的 4 个 concat 里，layer 12（拼 backbone P4）从 1.25× 升到 1.90×，是 s 上变化最大的一个 —— 因为 s 的 layer 6 输出跨度到了 19.6（n 11.2）。预测不会截断，但 S1/S2 上要逐个看编码。

每帧搬运量

输入张量都是 1×3×640×640，完全一样。输出这边：A 臂抽头翻倍但只有 6 KB； B 臂特征图翻倍到 2.87 MB；C 臂 (1,56,8400) 与 n 完全相同，因为 Pose 头把空间压成了固定的 anchor 预测。

一个对 s 有利的地方：n 的 A 臂输入 2.46 MB 是输出的 800 倍，入口搬运占了可观的比例。 s 的计算量是 n 的 4 倍而输入不变，固定开销被摊薄，这正是估计区间下沿的来由（下一节）。另外 C 臂 I/O 不随模型变大，所以 s 上 C 臂相对 A 臂的额外搬运代价和 n 一样。

端侧延迟：只能先给区间

n 在 S23 上有实测（W8A16、fp32 I/O）。s 的数据还没有，下表按两种倍数给估计区间：下沿用 GPU bs=32 的每张倍数（算力吃满时的实际倍数），上沿用 FLOPs 倍数（纯算力外推）。 n 的 GPU 相对代价曾经对端侧外推失败（加 neck GPU 上 +67%，端侧只 +26%），所以这张表只用来排优先级。

结论与待验：即使取上沿，s 的 C 臂也在 20 ms 以内，单路 30 fps（33 ms）有余量；但要和板球/网球的其它模块共用 NPU、或者要跑多路，s 就会成为预算的大头。S23 实测是 S1 的第一件事。

位宽：为什么 s 值得重开 a8 的讨论

n 上的定论

backbone 段实测 Δ_irr：a16 −0.0032（过线），a8 −0.0164（建议线 −0.005 的三倍多）→ W8A16 必需。全模型臂另有 DFL 3 px 的硬理由。

但这个 a8 结论是打分头的 Spearman 口径，对检测输出和 s 都没验证过（QUANTIZATION.md §4 已列为待办）。

s 上为什么要重测

动机变强：s 算力 ×3–4，HTP 上 16 bit 激活的 MAC 吞吐低于 8 bit，a8 能省的绝对毫秒数比 n 大得多。
风险也变高：抽头 max 块跨度 19.5（n 11.0），QK^T 跨度 207 → a8 下每档 0.81。
折中是混合精度：主体卷积 a8，只把敏感张量留 a16（DFL 解码、QK^T/softmax、8 路抽头、stem 前两层）。

先把两个问题分开

「要不要上 s」不是一个量化问题。混在一起比，会把 s 在 FP32 下的精度收益和量化损失搅成一个数，哪个都读不出来。

Q1 s 在 FP32 下比 n 好多少？

纯模型选择问题，与量化无关。板球现有的两个头是在 n 的 1536 维上训的，要在 s 的 3072 维上重训（同一份数据、5 seed）才能比。网球反过来：已有 s 的头，要比就得补一个 n 的头。

不做 Q1，量化实验就算全部过线，也回答不了「s 值不值」。

Q2 s 量化后还剩多少，端上要付多少？

与 n 已有交付逐项对齐的量化实验：同一校准集、同一位宽、同一编译、同一设备，报量化损失（相对各自 FP32）和端侧代价（延迟、内存、落位）。

决策式：s 的 Q1 收益 > s 相对 n 多出的 Q2 损失，且端侧代价在预算内。

方案空间与剪枝

四个维度全排列是 2×3×3×2 = 36 个臂，其中大部分用 n 的结论或本页测到的数就能先剪掉。

维度	取值	剪枝	保留
模型	n / s	n 各臂已有实测，直接复用作对照	s（新跑），n（复用）
切点	A backbone+8 路 · B +neck+抽头 · C +Pose 头+抽头	B 只服务 RoIAlign 头，下游没定之前不跑	A、C；B 待定
位宽	W8A16 · W8A8 · 混合	C 臂 a8 已被 DFL 3 px 否掉（与模型无关）；混合精度只在 a8 超线时再做	W8A16 全部；A 臂加 W8A8；混合按需
输出形态	8 路 · 图内 concat+逐通道缩放	27× 幅度差，未缩放 concat 直接排除；缩放版要重推系数，且 v3 已经回到 8 路	8 路

实验臂

S0 回答 Q1，S1–S3 是 Q2 的核心，S4–S6 看前面的结果再决定做不做。n 列是已有实测，直接作对照。

ID	配置	回答什么	主要指标	n 对照（已有）	优先级
S0	FP32 · s vs n	Q1 s 的特征和关键点是不是更好	板球打分/门控头在 s 特征上重训（5 seed 均值）；网球补 n 头；两者 COCO-17 关键点在我们测试集上的质量	板球出厂头 5-seed 均值 0.8015	P0
S1	s · A · W8A16 · 8 路	与交付 v3 一一对应	抽头特征相对 L2；冻结 FP32 头下的 Δ；S23 延迟/落位/内存；8 路编码与 `output_i` 映射	相对 L2 0.027；3.505 ms；NPU 177/CPU 0	P0
S2	s · C+抽头 · W8A16	与交付 quant_full 一一对应	按 IoU 配对的框/关键点误差（px）、配对率；抽头 vs S1 一致性；17 个 concat 编码；延迟	配对 97.1%，框 1.77 px，关键点 1.56 px；抽头 vs A 0.00112；5.900 ms	P0
S3	s · A · W8A8 · 8 路	s 的 a8 是否比 n 更能扛；能省多少毫秒	Δ_irr（同口径）、冻结头 Δ、延迟	a8 Δ_irr −0.0164（超线）	P1
S4	s · A/C · 混合精度	a8 超线时能不能只保几个张量	同 S3；逐张量敏感度排序	无（n 也没试过）	P2
S5	s · B+抽头 · W8A16 · qio	RoIAlign 头的特征图代价	P3/P4/P5 相对 L2；2.87 MB 输出下 qio 收益	4.120 ms；P3/P4/P5 0.060/0.088/0.107	P2
S6	S1 换网球校准集	校准域对 s 的影响（网球是 s 的实际部署域）	网球头在两种校准下的 Δ	—	P1

指标：沿用 n 上验证过的口径

层级	指标	为什么用它
特征	抽头相对 L2、逐块误差	最底层，定位哪一块坏了
任务（主指标）	冻结 FP32 头下的 Δ（Spearman / raw \|Δ\| / gate 翻转数）	头固定、没有 seed 噪声，只量特征本身
任务（交付）	在量化特征上重训的头，5-seed 均值	seed 方差 0.005–0.015，和量化效应同一量级；单 seed 不可比
检测	按 IoU 配对的框/关键点 px、配对率	top-1 会被「两人置信度接近」的翻转污染
端侧	最小/中位延迟、NPU/CPU 落位、峰值内存、context bin 大小	CPU 回退是静默变慢，每次都要看
跨模型	各自相对自己的 FP32报量化损失，再与 Q1 的 FP32 差并列	n 和 s 的特征空间不同，直接比两个量化模型的特征没有意义

公平性控制

必须相同

校准集 quant_calib_v1、--n-calib 128（S6 除外）
letterbox 114 居中、640×640、BN 折叠、静态 shape
AI Hub 量化器与编译 runtime 版本、目标设备 S23
测试集 cricket_quant_testsets_v1，头训练的数据与 split

容易被忽略

n 的对照数要在同一 runtime 版本下重跑一次；AI Hub 升级过就不能直接复用旧毫秒数
本页 n 的参数量（2,866,468）来自官方权重，与 /v/y11pose/ 的 2,874,462 有 0.3% 出入，报数时统一口径
网球 README 写的是 1536 维，metrics.json 实为 3072，接网球头时以后者为准

预测，以及怎么证伪

先写下来，跑完再对。哪一条错了，都说明本页的 FP32 范围分析漏了什么。

#	预测	依据	证伪条件
1	S1/S2 全部算子落 NPU	拓扑与 n 相同，n 三个臂零回退	profile 里出现 CPU 算子
2	17 个 concat 无截断	幅度比 ≤ 2.34×	任一 concat 的输出编码不覆盖输入并集
3	S1 抽头相对 L2 与 n（0.027）同量级	s 的层级跨度只大 1–1.7×，a16 下每档仍远小于信号	> 0.05
4	S2 框误差与 n（1.77 px）接近	框张量跨度 692 与 n 相同	明显大于 2.5 px
5	S1 延迟落在估计区间偏下沿	输入搬运等固定开销被摊薄	超过上沿
6	S3 a8 仍然超线	抽头 max 块跨度更大	Δ_irr 在 −0.005 以内（这会是好消息）

要改的代码

量化流水线整体可复用，但有 12 个 scripts/quant_*.py 写死了 n 的权重路径（encoder_path()）或 1536 维。

改动	涉及
加 `--weights` / `--scale` 参数，取代 `encoder_path()`	quant_export_onnx · quant_export_full_onnx · quant_eval_baseline
特征维度从模型探测（`block_layout()` 已有），去掉 1536 字面量	quant_build_delivery_heads · quant_package_handoff · quant_export_heads_onnx · quant_ondevice_check 等
AI Hub 提交/profile 的 variant 名带上 scale，避免覆盖 n 的 job 记录	quant_aihub_submit · quant_aihub_profile
S0：s 特征上重训板球两个头（5 seed）	quant_build_delivery_heads（FP32 模式）
S6：网球校准集	quant_build_calibset（加网球数据源）

先改参数化，再跑实验。在旧脚本里临时换路径，最容易出现「交付包里混进 n 的 mu/sd」这类不报错的错误（QUANTIZATION.md §2.4 提过两个头 mu/sd 配错几乎看不出来）。

执行顺序与停止条件

脚本参数化，然后用 n 重跑 A 臂导出，结果须与现交付逐位一致（回归检查）。
S0（GPU，几小时）：s 与 n 的 FP32 差距。如果板球上 s 的 5-seed 均值提升小于 seed 方差（约 0.01），板球线就停在这里，s 的量化只为网球做。
S1 → S2（AI Hub）：先 A 后 C。S1 同时拿到 S23 延迟，用来校准本页的估计区间。
S3：只有 S1 延迟压线、或者要多路并发时才有意义；超线就进 S4。
S5 等 RoIAlign 头的需求定下来再做；S6 在网球要交付时做。

网球现状：一条管线里有两种骨干。tennis-latest v2.3 = racketeer_v3.0（n，960 输入，微调过的检测器）→ hitting_head_v0/coco（冻结官方 n，1536 维）→ tennis_pose_score_v0（冻结官方 s，3072 维）。上端侧的话，网球要么量化两个骨干，要么统一到一个：把击球头搬到 s，或者把姿态打分头搬到 n。S0 应该把这个问题一起回答了。

需要你拍板的一点：s 这条线服务的是板球、网球还是两者？这决定 S0 做哪一侧、S6 要不要做，以及交付包的头是 1536 还是 3072 维。