透明袋、白包装、货架阴影：最先认错的是边界
出错的总那么几样
门店上线识别之后，运维群里反复出现的描述往往很具体：
- 透明袋装的凉菜、卤味，袋面一反光就认成别的品类；
- 白底白字的酸奶杯，挨着浅色层板放，框直接跑到隔壁；
- 散装称重台上几个同样的面包叠着放，只数出一个；
- 深色货架最底层，包装颜色和背景接近，干脆漏掉。
这些商品的共同点不是品牌、不是价格，而是跟背景的对比度低。人眼看得出，是因为人会顺着轮廓找；模型在低比特量化之后，最容易丢的恰恰是轮廓。
为什么压掉的先是边界
量化做的事是把连续的数值压到少数几个格点上。平坦区域（大片同色的包装正面、背景墙面）数值密集且差别小，压完几乎看不出变化。边界是前景和背景的过渡带，数值跨度大、像素又少，一旦格点变粗，就出现台阶，轮廓被磨圆或者断开。
更关键的是量化的优化目标。常规后训练量化按整层的平均重建误差来调参：几千个数值里，边界像素只占很小一部分，误差再大也被平均掉。对分类任务这无所谓，类别由整片区域的统计特征决定；对检测任务就是致命的，框的位置完全由边界决定。
框错了，后面全错。两盒豆腐的框糊成一个，分类器只看到一个「豆腐」，数量就少一件；称重台上少一件，是直接的钱。
arXiv 上有一篇 AxisQ（编号 2610.36844）专门处理这类低对比度目标的量化。它的做法有两条值得记住：一是位宽分配的方向随网络深度变——浅层按通道分、深层按局部频段分，因为不同深度上「哪些数值更值钱」不一样；二是重建误差按边界加权，让补偿优先落在轮廓附近。论文在伪装目标检测的基准上做到 2 位权重与激活（W2A2），CAMO 数据集上加权 F 度量相对最强基线，CFRN 提升 12.7%，CamoFormer-P 提升 33.3%。
选型时该问的四个问题
供应商说「我们做了量化优化」时，这句话本身没有信息量。可以拆成四问：
- 量化粒度是什么？ 整网一个尺度、逐层一个尺度、还是逐通道？粒度越细，边界处越有余量。
- 平均位宽和最小位宽分别是多少？ 「平均 4 位」可能意味着大部分层 4 位、个别层反而更低。
- 校准和重建用的什么图？ 通用数据集和自家货架的照片分布差很远。用不含透明袋、不含暗角的图做校准，等于没为这些场景优化。
- 能不能给分位宽的边界类指标？ 不要一个总准确率，要 8 位、4 位、2 位三档下「框位置偏差」和「漏检率」的变化。
门店侧怎么验收
建一个低对比度样本集。 两三百张就够，专挑透明袋、白底包装、浅色层板、暗角货架、叠放的散装商品。这些图从自家门店的真实画面里截，不要用商品官方图。
分开看漏检和错类。 漏检往往就是框没出来或者被合并，错类是框对了但标签错了。前者说明边界问题，后者说明分类头问题，处理方式完全不同。混在一个总准确率里看不出来。
一次只换一个变量。 换模型版本、换位宽、换阈值要分开做，同一天、同一批商品、同一光照条件下比。三个变量一起动，出了问题无法归因。
在营业高峰跑。 量化模型的算子如果在某些输入尺寸上回退到 CPU，延迟会抖。精度问题可以慢慢调，收银台前排队时的一次卡顿是当场的事故。
什么时候不必为这件事花钱
商品都有条码兜底、包装是高对比度的标准色块、位宽本来就在 8 位以上，这几类门店在边界上的损失有限，为它专门做量化改造不划算。
反过来，散装、生鲜、称重、无条码占比高的店型，识别错一件就是钱算错一次，边界是主要成本项，值得在选型阶段就把这条问清楚。
一句话
量化掉的精度不是均匀分布的，它集中落在轮廓上，而轮廓决定框和数量。验收时与其盯总准确率，不如拿一批透明袋和白包装的照片，看框还在不在。