YOLOV7量化第一步: 准备模型
1. 准备模型 手动/自动插入QDQ节点
1.1 准备容器
准备容器的时候有可能出现共享内存的问题, 这里在启动容器的时候设置一下,
# 增加了里面的共享内存
docker run --gpus all -it --shm-size=64g --name env_pyt_1.12 -v $(pwd):/app nvcr.io/nvidia/pytorch:22.03-py3 ```
美式的做法是
.
├── __pycache__
├── my_ptq.py
├── ptq.py
├── qat.py
├── quantize.py
├── rules.py
├── yolov7
└── yolov7.pt
实际做的时候会有路径的问题，最简单的办法就是直接去yolov7文件夹里面写
1.2 加载数据集然后进行一个简单的验证
这里面的create DataLoader是使用的是yolov7里面自带的， 下面是官方的create_dataloader代码
def create_dataloader(path, imgsz, batch_size, stride, opt, hyp=None, augment=False, cache=False, pad=0.0, rect=False,
rank=-1, world_size=1, workers=8, image_weights=False, quad=False, prefix=''):
# Make sure only the first process in DDP process the dataset first, and the following others can use the cache
with torch_distributed_zero_first(rank):
dataset = LoadImagesAndLabels(path, imgsz, batch_size,
augment=augment, # augment images
hyp=hyp, # augmentation hyperparameters
rect=rect, # rectangular training
cache_images=cache,
single_cls=opt.single_cls,
stride=int(stride),
pad=pad,
image_weights=image_weights,
prefix=prefix)
batch_size = min(batch_size, len(dataset))
nw = min([os.cpu_count() // world_size, batch_size if batch_size > 1 else 0, workers]) # number of workers
sampler = torch.utils.data.distributed.DistributedSampler(dataset) if rank != -1 else None
loader = torch.utils.data.DataLoader if image_weights else InfiniteDataLoader
# Use torch.utils.data.DataLoader() if dataset.properties will update during training else InfiniteDataLoader()
dataloader = loader(dataset,
batch_size=batch_size,
num_workers=nw,
sampler=sampler,
pin_memory=True,
collate_fn=LoadImagesAndLabels.collate_fn4 if quad else LoadImagesAndLabels.collate_fn)
return dataloader, dataset
下面是我们自己的代码
注意这里面的op是一个对象，这里用collections.namedtuple("Opt", "single_cls")(False)
是为了设置Opt这个对象里面的"single_cls"是False, 它里面还有其他的参数, 这里因为yolov7里面返回的是两个，第一个是data loader, 第二个是dataset
def prepare_dataset(cocodir, batch_size=8):
dataloader = create_dataloader( # 这里的参数是跟官网的是一样的
f"{cocodir}/val2017.txt",
imgsz=640,
batch_size=batch_size,
opt=collections.namedtuple("Opt", "single_cls")(False),
augment=False, hyp=None, rect=True, cache=False, stride=32, pad=0.5, image_weights=False
)[0]
return dataloader
下面是验证coco的函数, 这里就是把plot关了我们不用可视化的内容，然后官方test的内容第一个和第四个是mp和map, 这两个是我们要的参数， 这里的map是0.5-0.95的
def evaluate_coco(model, loader, save_dir='.', conf_thres=0.001, iou_thres=0.65):
if save_dir and os.path.dirname(save_dir) != "":
os.makedirs(os.path.dirname(save_dir), exist_ok=True)
return test.test(
"./data/coco.yaml",
save_dir=Path(save_dir),
conf_thres=conf_thres,
iou_thres=iou_thres,
model=model,
dataloader=loader,
is_coco=True,
plots=False,
half_precision=True,
save_json=False
)[0][3]
import torch
from pytorch_quantization import quant_modules
from models.yolo import Model
import sys
def load_yolov7_model(weight, device="cpu"):
ckpt = torch.load(weight, map_location=device) # 加载模型，模型参数在哪个设备上
model = Model("cfg/training/yolov7.yaml", ch=3, nc=80).to(device) # 跟yolov7的结构，这里没有包含参数
state_dict = ckpt["model"].float().state_dict() # 从加载的权重中提取模型的状态字典(state_dict), 包含了模型全部的参数，包括卷积权重等
model.load_state_dict(state_dict, strict=False) # 把提取出来的参数放到yolov7的结构中
return model # 返回正确权重和参数的模型
import collections
from utils.datasets import create_dataloader
def prepare_dataset(cocodir, batch_size=8):
dataloader = create_dataloader( # 这里的参数是跟官网的是一样的
f"{cocodir}/val2017.txt",
imgsz=640,
batch_size=batch_size,
opt=collections.namedtuple("Opt", "single_cls")(False),
augment=False, hyp=None, rect=True, cache=False, stride=32, pad=0.5, image_weights=False
)[0]
return dataloader
import test as test
from pathlib import Path
import os
def evaluate_coco(model, loader, save_dir='.', conf_thres=0.001, iou_thres=0.65):
if save_dir and os.path.dirname(save_dir) != "":
os.makedirs(os.path.dirname(save_dir), exist_ok=True)
return test.test(
"./data/coco.yaml",
save_dir=Path(save_dir),
conf_thres=conf_thres,
iou_thres=iou_thres,
model=model,
dataloader=loader,
is_coco=True,
plots=False,
half_precision=True,
save_json=False
)[0][3]
if __name__ == "__main__":
weight = "../yolov7.pt"
device = torch.device("cuda:2" if torch.cuda.is_available() else "cpu")
model = load_yolov7_model(weight=weight, device=device)
cocodir = "/app/dataset/coco2017" #../dataset/coco2017
dataloader = prepare_dataset(cocodir=cocodir, )
ap = evaluate_coco(model, dataloader)
首先，让我们看一下代码的输出：
Scanning '/app/dataset/coco2017/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted: 100%|██████████████████████| 5000/5000 [00:00这个输出提供了您模型在COCO 2017验证数据集上的性能评估。我将为您逐个解释关键指标：
-
Scanning…:
- 这一行显示了数据加载的状态。4952张图片和标签被找到，48张图片缺失，没有空标签，也没有损坏的标签。
-
Class, Images, Labels:
Class: 分类的名称。在这里，“all”表示考虑所有分类。Images: 总共测试的图像数量。这里是5000。Labels: 在这5000张图片中，总共有36781个对象标签。
-
P (Precision): 这是模型的精确度，值为0.718。这意味着当模型预测某个对象存在时，它有71.8%的概率是正确的。
-
R (Recall): 这是模型的召回率，值为0.626。这意味着模型能够正确检测到62.6%的实际存在的对象。
-
[email protected]: 这是在IoU（Intersection over Union）阈值为0.5时的平均精度。IoU是预测的边界框和真实边界框之间的交集与并集之比。值为0.676表示在IoU=0.5时，模型的平均精度为67.6%。
-
[email protected]:.95: 这是在IoU从0.5到0.95的范围内的平均精度（以0.05为步长）。在COCO数据集上，这是一个非常重要的指标，因为它考虑了不同IoU阈值下的性能。值为0.452表示平均精度为45.2%。
简单来说，mAP（mean Average Precision）是评估物体检测模型性能的关键指标。它考虑了模型的精确度和召回率，并为每个类别计算AP（平均精度），然后取所有类别的AP的平均值得到mAP。
总体上，这些指标为您提供了模型在COCO 2017验证数据集上的性能概览。您可以使用这些指标来比较不同模型或相同模型的不同版本的性能。
1.3 准备自动插入QDQ节点模型
def prepare_model(weight, device):
quant_modules.initialize() # 自动加载qdq节点
# initialize()
model = load_yolov7_model(weight, device)
model.float()
model.eval()
with torch.no_grad():
model.fuse() # conv bn 进行层的合并, 加速
return model
if __name__ == "__main__":
weight = "../yolov7.pt"
device = torch.device("cuda:2" if torch.cuda.is_available() else "cpu")
# load最初版本的模型
pth_model = load_yolov7_model(weight=weight, device=device)
print(pth_model)
# 加载自动插入QDQ节点的模型
model = prepare_model(weight=weight, device=device)
print(model)
这里对比了一下自动插入的QDQ节点的模型, 通过打印的方式可以看到这里确实是有自动插入的节点
(cv3): Conv(
(conv): QuantConv2d(
512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)
(_input_quantizer): TensorQuantizer(8bit narrow fake per-tensor amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
(_weight_quantizer): TensorQuantizer(8bit narrow fake axis=0 amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
下面是自动插入QDQ节点计算出来的map, 可以看出来其实是跟直接计算coco的是一样的，
Scanning '/app/dataset/coco2017/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted: 100%|██████████████████████████████████████████████████| 5000/5000 [00:00<?, ?it/s]
Class Images Labels P R [email protected] [email protected]:.95: 100%|████████████████████████████████████████████████████████████████| 625/625 [01:03<00:00, 9.78it/s]
all 5000 36781 0.722 0.622 0.675 0.452
1.4 手动插入QDQ节点
1.4.1. 定义模块映射
首先，我们有一个预定义的_DEFAULT_QUANT_MAP列表，它为原始PyTorch模块（如torch.nn.Conv2d）和它们的量化版本（如quant_nn.QuantConv2d）提供了映射关系。
1.4.2. 构建ID到量化模块的字典
在replace_to_quantization_model函数中，我们遍历_DEFAULT_QUANT_MAP列表并使用getattr函数动态地从torch.nn或其他模块中获取对应的类。然后，我们为这些类创建一个ID到量化版本的映射，并将其存储在module_dict字典中。
1.4.3. 递归地遍历模型的子模块
接下来，我们使用torch_module_find_quant_module函数递归地遍历整个模型的子模块。对于每个子模块，我们查看它的ID是否出现在module_dict字典中，以确定是否需要进行量化替换。
1.4.4. 检查忽略列表
在决定是否替换子模块之前，我们首先检查它是否出现在ignore_layer列表中。如果在这个列表中，那么我们不对它进行量化替换。这是通过quantization_ignore_match函数实现的。
1.4.5. 执行量化替换
如果一个子模块需要被量化并且不在忽略列表中，我们使用transfer_torch_to_quantization函数执行替换。这个函数首先为量化模块创建一个新的实例，然后复制原始模块的所有属性到新的量化模块。接着，它使用内部的__init__方法来完成量化初始化过程，包括设置量化描述符和校准器。
import torch
from pytorch_quantization import quant_modules
from models.yolo import Model
from pytorch_quantization.nn.modules import _utils as quant_nn_utils
from pytorch_quantization import calib
import sys
import re
import yaml
import os
os.chdir("/app/bob/yolov7_QAT/yolov7")
def load_yolov7_model(weight, device="cpu"):
ckpt = torch.load(weight, map_location=device) # 加载模型，模型参数在哪个设备上
model = Model("cfg/training/yolov7.yaml", ch=3, nc=80).to(device) # 跟yolov7的结构，这里没有包含参数
state_dict = ckpt["model"].float().state_dict() # 从加载的权重中提取模型的状态字典(state_dict), 包含了模型全部的参数，包括卷积权重等
model.load_state_dict(state_dict, strict=False) # 把提取出来的参数放到yolov7的结构中
return model # 返回正确权重和参数的模型
import collections
from utils.datasets import create_dataloader
def prepare_dataset(cocodir, batch_size=8):
dataloader = create_dataloader( # 这里的参数是跟官网的是一样的
f"{cocodir}/val2017.txt",
imgsz=640,
batch_size=batch_size,
opt=collections.namedtuple("Opt", "single_cls")(False), # collections.namedtuple("Opt", "single_cls")(False)
augment=False, hyp=None, rect=True, cache=False, stride=32, pad=0.5, image_weights=False,
)[0]
return dataloader
import test as test
from pathlib import Path
import os
def evaluate_coco(model, loader, save_dir='.', conf_thres=0.001, iou_thres=0.65):
if save_dir and os.path.dirname(save_dir) != "":
os.makedirs(os.path.dirname(save_dir), exist_ok=True)
return test.test(
"./data/coco.yaml",
save_dir=Path(save_dir),
conf_thres=conf_thres,
iou_thres=iou_thres,
model=model,
dataloader=loader,
is_coco=True,
plots=False,
half_precision=True,
save_json=False
)[0][3]
def prepare_model(weight, device):
# quant_modules.initialize() # 自动加载qdq节点
# initialize()
model = load_yolov7_model(weight, device)
model.float()
model.eval()
with torch.no_grad():
model.fuse() # conv bn 进行层的合并, 加速
return model
# 执行量化替换
def transfer_torch_to_quantization(nn_instance, quant_mudule):
quant_instance = quant_mudule.__new__(quant_mudule)
for k, val in vars(nn_instance).items():
setattr(quant_instance, k, val)
def __init__(self):
# 返回两个QuantDescriptor的实例 self.__class__是quant_instance的类, EX: QuantConv2d
quant_desc_input, quant_desc_weight = quant_nn_utils.pop_quant_desc_in_kwargs(self.__class__)
if isinstance(self, quant_nn_utils.QuantInputMixin):
self.init_quantizer(quant_desc_input)
if isinstance(self._input_quantizer._calibrator, calib.HistogramCalibrator):
self._input_quantizer._calibrator._torch_hist = True
else:
self.init_quantizer(quant_desc_input, quant_desc_weight)
if isinstance(self._input_quantizer._calibrator, calib.HistogramCalibrator):
self._input_quantizer._calibrator._torch_hist = True
self._weight_quantizer._calibrator._torch_hist = True
__init__(quant_instance)
return quant_instance
def quantization_ignore_match(ignore_layer, path):
if ignore_layer is None:
return False
if isinstance(ignore_layer, str) or isinstance(ignore_layer, list):
if isinstance(ignore_layer, str):
ignore_layer = [ignore_layer]
if path in ignore_layer:
return True
for item in ignore_layer:
if re.match(item, path):
return True
return False
# 递归函数
def torch_module_find_quant_module(module, module_dict, ignore_layer, prefix=''):
for name in module._modules:
submodule = module._modules[name]
path = name if prefix == '' else prefix + '.' + name
torch_module_find_quant_module(submodule, module_dict, ignore_layer, prefix=path)
submodule_id = id(type(submodule))
if submodule_id in module_dict:
ignored = quantization_ignore_match(ignore_layer, path)
if ignored:
print(f"Quantization : {path} has ignored.")
continue
# 转换
module._modules[name] = transfer_torch_to_quantization(submodule, module_dict[submodule_id])
# 用量化模型替换
def replace_to_quantization_model(model, ignore_layer=None):
"""
这里构建的module_dict里面的元素是一个映射的关系, 例如torch.nn -> quant_nn.QuantConv2d, 一共是15个, 跟DEFAULT_QUANT_MAP对齐
"""
module_dict = {}
for entry in quant_modules._DEFAULT_QUANT_MAP: # 构建module_dict, 把DEFAULT_QUANT_MAP填充
module = getattr(entry.orig_mod, entry.mod_name) # 提取的原始的模块，从torch.nn中获取conv2d这个字符串
module_dict[id(module)] = entry.replace_mod # 使用替换的模块
torch_module_find_quant_module(model, module_dict, ignore_layer)
if __name__ == "__main__":
weight = "./yolov7.pt"
device = torch.device("cuda:2" if torch.cuda.is_available() else "cpu")
# load最初版本的模型
pth_model = load_yolov7_model(weight=weight, device=device)
# print(pth_model)
# 加载自动插入QDQ节点的模型
model = prepare_model(weight=weight, device=device)
replace_to_quantization_model(model)
print(model)
cocodir = "/app/dataset/coco2017" #../dataset/coco2017
dataloader = prepare_dataset(cocodir=cocodir, )
ap = evaluate_coco(pth_model, dataloader)
因为这里没有训练，所以计算出来的map也不会有太大的变化
Scanning '/app/dataset/coco2017/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted: 100%|█| 5000/5000 [00:00<?,
Class Images Labels P R [email protected] [email protected]:.95: 100%|█████████| 625/625 [00:41<00:00, 15.18it/s]
all 5000 36781 0.724 0.621 0.675 0.453
同样这个得量化也可以看出来是默认的per-tensor, MaxCalibrator, 后面要手动initiative来设置成Hstgram的量化校准器
(conv): QuantConv2d(
1024, 512, kernel_size=(1, 1), stride=(1, 1)
(_input_quantizer): TensorQuantizer(8bit narrow fake per-tensor amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
(_weight_quantizer): TensorQuantizer(8bit narrow fake axis=0 amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
)
1.5 手动initlize()
手动初始化插入节点可以更好的控制好整个流程, 这里的做了一件事，就是通过设置参数把校准器从Max换到Hisgram, 这里改的把conv2d, MaxPool2d, Linear, 的input设置成Hisgram, 这里也可以设置成weight的校准器成Histgram
quant_desc_input = QuantDescriptor(calib_method="histogram") # "max"
quant_nn.QuantConv2d.set_default_quant_desc_input(quant_desc_input)
quant_nn.QuantConv2d.set_default_quant_desc_weight(quant_desc_input)
(2): QuantConv2d(
1024, 255, kernel_size=(1, 1), stride=(1, 1)
(_input_quantizer): TensorQuantizer(8bit narrow fake per-tensor amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
(_weight_quantizer): TensorQuantizer(8bit narrow fake axis=0 amax=dynamic calibrator=MaxCalibrator scale=1.0 quant)
)
这种就是设置weight和input的校准器都是直方图校准
(2): QuantConv2d(
1024, 255, kernel_size=(1, 1), stride=(1, 1)
(_input_quantizer): TensorQuantizer(8bit narrow fake per-tensor amax=dynamic calibrator=HistogramCalibrator scale=1.0 quant)
(_weight_quantizer): TensorQuantizer(8bit narrow fake per-tensor amax=dynamic calibrator=HistogramCalibrator scale=1.0 quant)
)
下面是对比的手动插入QDQ节点的map计算和直接load模型的map, 从这里可以看出来因为没有训练，所以这边都是一样的
Scanning '/app/dataset/coco2017/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted:
Origin Pth Model map:
Class Images Labels P R [email protected] [email protected]:.95: 100%|█| 625/625 [00
all 5000 36781 0.724 0.622 0.676 0.453
auto QDQ Model map:
Class Images Labels P R [email protected] [email protected]:.95: 100%|█| 625/625 [01
all 5000 36781 0.705 0.633 0.672 0.444
完整代码
import torch
from pytorch_quantization import quant_modules
from models.yolo import Model
from pytorch_quantization.nn.modules import _utils as quant_nn_utils
from pytorch_quantization import calib
import sys
import re
import yaml
import os
os.chdir("/app/bob/yolov7_QAT/yolov7")
def load_yolov7_model(weight, device="cpu"):
ckpt = torch.load(weight, map_location=device) # 加载模型，模型参数在哪个设备上
model = Model("cfg/training/yolov7.yaml", ch=3, nc=80).to(device) # 跟yolov7的结构，这里没有包含参数
state_dict = ckpt["model"].float().state_dict() # 从加载的权重中提取模型的状态字典(state_dict), 包含了模型全部的参数，包括卷积权重等
model.load_state_dict(state_dict, strict=False) # 把提取出来的参数放到yolov7的结构中
return model # 返回正确权重和参数的模型
import collections
from utils.datasets import create_dataloader
def prepare_dataset(cocodir, batch_size=8):
dataloader = create_dataloader( # 这里的参数是跟官网的是一样的
f"{cocodir}/val2017.txt",
imgsz=640,
batch_size=batch_size,
opt=collections.namedtuple("Opt", "single_cls")(False), # collections.namedtuple("Opt", "single_cls")(False)
augment=False, hyp=None, rect=True, cache=False, stride=32, pad=0.5, image_weights=False,
)[0]
return dataloader
import test as test
from pathlib import Path
import os
def evaluate_coco(model, loader, save_dir='.', conf_thres=0.001, iou_thres=0.65):
if save_dir and os.path.dirname(save_dir) != "":
os.makedirs(os.path.dirname(save_dir), exist_ok=True)
return test.test(
"./data/coco.yaml",
save_dir=Path(save_dir),
conf_thres=conf_thres,
iou_thres=iou_thres,
model=model,
dataloader=loader,
is_coco=True,
plots=False,
half_precision=True,
save_json=False
)[0][3]
from pytorch_quantization import nn as quant_nn
from pytorch_quantization.tensor_quant import QuantDescriptor
from absl import logging as quant_logging
# intput QuantDescriptor: Max ==> Histogram
def initialize():
quant_desc_input = QuantDescriptor(calib_method="histogram")
quant_nn.QuantConv2d.set_default_quant_desc_input(quant_desc_input)
quant_nn.QuantMaxPool2d.set_default_quant_desc_input(quant_desc_input)
quant_nn.QuantLinear.set_default_quant_desc_input(quant_desc_input)
quant_logging.set_verbosity(quant_logging.ERROR)
def prepare_model(weight, device):
# quant_modules.initialize() # 自动加载qdq节点
initialize() # intput QuantDescriptor: Max ==> Histogram
model = load_yolov7_model(weight, device)
model.float()
model.eval()
with torch.no_grad():
model.fuse() # conv bn 进行层的合并, 加速
return model
# 执行量化替换
def transfer_torch_to_quantization(nn_instance, quant_mudule):
quant_instance = quant_mudule.__new__(quant_mudule)
for k, val in vars(nn_instance).items():
setattr(quant_instance, k, val)
def __init__(self):
# 返回两个QuantDescriptor的实例 self.__class__是quant_instance的类, EX: QuantConv2d
quant_desc_input, quant_desc_weight = quant_nn_utils.pop_quant_desc_in_kwargs(self.__class__)
if isinstance(self, quant_nn_utils.QuantInputMixin):
self.init_quantizer(quant_desc_input)
if isinstance(self._input_quantizer._calibrator, calib.HistogramCalibrator):
self._input_quantizer._calibrator._torch_hist = True
else:
self.init_quantizer(quant_desc_input, quant_desc_weight)
if isinstance(self._input_quantizer._calibrator, calib.HistogramCalibrator):
self._input_quantizer._calibrator._torch_hist = True
self._weight_quantizer._calibrator._torch_hist = True
__init__(quant_instance)
return quant_instance
def quantization_ignore_match(ignore_layer, path):
if ignore_layer is None:
return False
if isinstance(ignore_layer, str) or isinstance(ignore_layer, list):
if isinstance(ignore_layer, str):
ignore_layer = [ignore_layer]
if path in ignore_layer:
return True
for item in ignore_layer:
if re.match(item, path):
return True
return False
# 递归函数
def torch_module_find_quant_module(module, module_dict, ignore_layer, prefix=''):
for name in module._modules:
submodule = module._modules[name]
path = name if prefix == '' else prefix + '.' + name
torch_module_find_quant_module(submodule, module_dict, ignore_layer, prefix=path)
submodule_id = id(type(submodule))
if submodule_id in module_dict:
ignored = quantization_ignore_match(ignore_layer, path)
if ignored:
print(f"Quantization : {path} has ignored.")
continue
# 转换
module._modules[name] = transfer_torch_to_quantization(submodule, module_dict[submodule_id])
# 用量化模型替换
def replace_to_quantization_model(model, ignore_layer=None):
"""
这里构建的module_dict里面的元素是一个映射的关系, 例如torch.nn -> quant_nn.QuantConv2d, 一共是15个, 跟DEFAULT_QUANT_MAP对齐
"""
module_dict = {}
for entry in quant_modules._DEFAULT_QUANT_MAP: # 构建module_dict, 把DEFAULT_QUANT_MAP填充
module = getattr(entry.orig_mod, entry.mod_name) # 提取的原始的模块，从torch.nn中获取conv2d这个字符串
module_dict[id(module)] = entry.replace_mod # 使用替换的模块
torch_module_find_quant_module(model, module_dict, ignore_layer)
if __name__ == "__main__":
weight = "./yolov7.pt"
device = torch.device("cuda:2" if torch.cuda.is_available() else "cpu")
# load最初版本的模型
pth_model = load_yolov7_model(weight=weight, device=device)
# print(pth_model)
# 加载自动插入QDQ节点的模型
model = prepare_model(weight=weight, device=device)
replace_to_quantization_model(model)
print(model)
cocodir = "/app/dataset/coco2017" #../dataset/coco2017
dataloader = prepare_dataset(cocodir=cocodir, )
print("Origin Pth Model map: ")
ap = evaluate_coco(pth_model, dataloader)
print("auto QDQ Model map: ")
auto_ap = evaluate_coco(model, dataloader)