Оптимизация ML-модели (квантизация) для мобильного устройства

Мы сталкивались с задачей: модель детекции объектов занимает 100 МБ и работает 200 мс на устройстве пользователя. После квантизации — 25 МБ и 50 мс. Но иногда точность падает непредсказуемо. Делимся опытом: как выбирать метод, анализировать слои и верифицировать результат. Ниже — проверенные подходы для iOS и Android с кодом и конкретными метриками.

Квантизация — перевод весов модели из float32 в формат с меньшей разрядностью: float16, int8, int4. Модель ResNet-50 весит 98 МБ в FP32. После int8 квантизации — 25 МБ. Скорость инференса на мобильном CPU вырастает в 2–4× за счёт уменьшения объёма данных и использования целочисленных инструкций ARM NEON/SVE. Но простая квантизация часто роняет точность сильнее, чем хотелось бы. Правильная квантизация — это подбор метода, анализ чувствительных слоёв и верификация деградации.

Мы в сфере мобильной оптимизации более 5 лет, реализовали 15+ проектов по квантизации для клиентов из e-commerce, fintech и IoT. Гарантируем сохранение точности в рамках оговоренных допусков. Закажите оптимизацию модели — получите консультацию по вашему проекту.

Как выбрать метод квантизации?

Post-Training Quantization (PTQ) — квантизуем уже обученную модель без дообучения. Два варианта:

• Dynamic quantization — веса в int8, активации вычисляются в float32 в рантайме. Простая, не требует калибровочных данных. Хорошо работает для RNN/Transformer (BERT, LLM). Для CNN даёт меньший прирост.
• Static quantization — и веса, и активации в int8. Требует calibration dataset (100–500 репрезентативных примеров). Быстрее dynamic, но нужна калибровка.

Quantization-Aware Training (QAT) — модель дообучается с «симулированной» квантизацией. Веса адаптируются к пониженной точности. Лучшее качество, но требует доступа к обучающему датасету и GPU-времени.

# PyTorch: static PTQ через torch.quantization import torch from torch.quantization import quantize_static, get_default_qconfig model.eval() model.qconfig = get_default_qconfig('fbgemm') # x86; для ARM — 'qnnpack' torch.quantization.prepare(model, inplace=True) # Calibration: прогоняем calibration dataset with torch.no_grad(): for batch in calibration_loader: model(batch) torch.quantization.convert(model, inplace=True) # Теперь model содержит квантизованные слои 

Для мобильного Android (ARM) — qconfig = 'qnnpack', не 'fbgemm'. Это меняет порядок квантизованных операций под QNNPACK backend, который использует ARM NEON инструкции.

TFLite квантизация: full integer

# Конвертация с full int8 (активации + веса) converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) converter.optimizations = [tf.lite.Optimize.DEFAULT] converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] converter.inference_input_type = tf.int8 converter.inference_output_type = tf.int8 # Calibration generator — критично для точности static quantization def representative_dataset(): for sample in calibration_data[:500]: yield [sample.astype(np.float32)] converter.representative_dataset = representative_dataset tflite_model = converter.convert() 

Full int8 модель работает на NNAPI и Hexagon DSP — там, где FP16 не поддерживается. На Snapdragon 778G через Hexagon — 5–8× быстрее CPU при правильной INT8 квантизации.

Core ML квантизация на iOS

import coremltools as ct from coremltools.optimize.coreml import ( OptimizationConfig, OpLinearQuantizerConfig, linearly_quantize_weights ) # Загружаем уже конвертированную Core ML модель mlmodel = ct.models.MLModel("model_fp32.mlpackage") # Конфигурация: 8-bit линейная квантизация весов config = OptimizationConfig( global_config=OpLinearQuantizerConfig( mode="linear_symmetric", dtype=np.int8, granularity="per_channel" # per_channel точнее per_tensor для CNN ) ) compressed_model = linearly_quantize_weights(mlmodel, config) compressed_model.save("model_int8.mlpackage") 

per_channel квантизация — отдельный scale factor для каждого выходного канала свёрточного слоя. Значительно точнее per_tensor (один scale на весь слой), но чуть медленнее. Для CNN обычно оправдано.

Что делать, если точность падает?

Не все слои одинаково переносят квантизацию. Первый и последний слои сети, а также слои attention в трансформерах — часто самые чувствительные. Инструмент: per-layer sensitivity analysis.

# Проверяем деградацию точности при квантизации каждого слоя по отдельности from torch.quantization.quantize_fx import prepare_fx, convert_fx baseline_accuracy = evaluate(float_model, test_loader) for layer_name in get_all_quantizable_layers(model): # Квантизуем только этот слой single_layer_model = quantize_single_layer(model, layer_name) layer_accuracy = evaluate(single_layer_model, test_loader) sensitivity = baseline_accuracy - layer_accuracy print(f"{layer_name}: sensitivity={sensitivity:.4f}") 

Слои с высокой чувствительностью оставляем в FP32 — это mixed precision quantization. Остальные переводим в INT8. 5–10% «тяжёлых» слоёв остаются в FP32, модель теряет только 20–30% объёма вместо 75%, но точность сохраняется.

Как проверить, что квантизация выполнена корректно?

После квантизации обязательно:

1. Точность на тестовом датасете — сравниваем top-1/top-5 accuracy с оригиналом. Допустимая деградация: FP16 — <0.5%, INT8 — <2%. Если больше — переходим к QAT или mixed precision.

2. Числовая погрешность — на одинаковых входах сравниваем выходы float и quantized модели. MSE < 0.01 обычно приемлемо.

3. Скорость на реальных устройствах — не на симуляторе. Xcode Instruments → Core ML Profiler для iOS, adb shell am instrument + TFLite Benchmark Tool для Android.

4. Краш-тест — разные входы, edge cases (чёрное изображение, очень яркое, нестандартный aspect ratio). INT8 модели иногда overflow на экстремальных входах.

Практический кейс из нашей практики

Для одного из клиентов мы оптимизировали модель детекции объектов YOLOv8n. В FP32 — 6.3 МБ, 45 мс на iPhone 13. После Core ML INT8 квантизации — 1.8 МБ, 12 мс. mAP упал с 37.3 до 36.1 — в пределах допустимого для задачи. На Snapdragon 8 Gen 1 через TFLite INT8 + NNAPI — 8 мс. Экономия на облачных вычислениях при инференсе — до 4×.

Что входит в работу

• Аудит исходной модели и выбор метода (PTQ/QAT, INT8/FP16).
• Подготовка калибровочного датасета и настройка calibration.
• Анализ чувствительных слоёв и настройка mixed precision.
• Полная квантизация с верификацией точности.
• Замеры скорости на целевых устройствах (iOS/Android).
• Отчёт по деградации и рекомендации.
• Интеграция квантизованной модели в ваш пайплайн.

Согласно PyTorch documentation, PTQ может уменьшить размер модели до 4 раз. Для детального изучения также рекомендуем TensorFlow Lite post-training quantization.

Ориентиры по срокам

PTQ для одной модели с верификацией — 1–2 недели. QAT с полным циклом дообучения и тестированием — 3–6 недель в зависимости от размера датасета. Квантизация снижает затраты на хранение модели до 75%.

Свяжитесь с нами, чтобы оценить ваш проект. Мы поможем подобрать оптимальный метод и гарантируем результат.