1. 对 yolov5 进行算子替换，使用 Conv 算子替换 Focus 算子，使用 ReLU 算子替换 SiLU 算子，提高
硬件利用率。
2. 对 yolov5 进行算子优化，调整 BottleneckCSP 模块中 Conv 算子、Concat 算子、BN 算子和 ReLU
算子的顺序，进行算子融合，提高推理速度。
3. 在 NVIDIA 芯片上，对 Conv 算子的权重使用 per-channel 对称量化，对激活值使用 per-tensor 对称
量化。将量化感知训练后的模型导出为 onnx，量化参数存储在 QuantizeLinear 和 DequantizeLinear
算子中，使用 TensorRT 进行转换和推理。
4. 在瑞芯微 rk1808 芯片上，对 Conv 算子的权重和激活值均使用 per-tensor 非对称量化。将量化感
知训练后的模型导出为 onnx，将 Conv 算子、BN 算子和 ReLU 算子进行融合，融合后的新算子
为 QConv 算子，将量化参数存储在该算子中；将 Conv 算子和 BN 算子的权重进行合并，得到
QConv 算子的 weight 和 bias，并将 weight 计算为 uint8 格式，bias 计算为 int16 格式；将 Add 算子
替换为 QAdd 算子，将量化参数存储在该算子中；将 kernel size 为 13 的 MaxPool 算子分解为 3 个
kernel size 为 5 的 MaxPool 算子，将 kernel size 为 9 的 MaxPool 算子分解为 2 个 kernel size 为 5 的
MaxPool 算子，加快推理速度；使用 rknn-toolkit 进行模型转换和推理。
5. yolov5 检测模型在 NVIDIA、瑞芯微 rk1808芯片上进行 int8 量化部署后，mAP
掉点情况均在 1 个点以内。