电路仿真玩家分享点实战踩坑教训。我们当时用YOLO-Fastest-XL（稍大一点）在Artix-7上做，一开始直接部署浮点模型，BRAM根本不够存权重和特征图。后来做了三件事：第一，用通道剪枝剪掉了20%的通道，用的是L1-norm剪枝，在COCO人脸数据集上微调了一轮，mAP掉了1.5%但参数量少了30%。第二，量化到INT8，我们用了TensorRT的校准方法，自己写了Python脚本生成量化参数，注意激活值的范围要用移动平均统计，别只用一批数据。第三，硬件设计上，我们把卷积、池化、激活（ReLU）打包成一个可配置的硬件模块，用流水线处理，这样每个时钟都能输出结果。但坑来了：数据位宽要对齐，INT8乘加后是INT32，累加后可能溢出，我们做了饱和处理。另外，片上内存有限，我们用了外部DDR存部分权重，但带宽成了瓶颈，后来调整了数据搬运策略，用乒乓操作预取。最后帧率做到了25fps，精度mAP 0.82。建议你们早点做板级验证，仿真通过不代表上板能跑。
从资源平衡角度给点建议吧。Artix-7的DSP和BRAM都有限，你得先算个账。假设目标帧率是30fps，输入图像224x224，算一下每帧允许的时钟周期数。然后根据YOLO-Fastest的每层计算量（MAC操作数）和参数量，评估哪些层是瓶颈。剪枝优先剪后面计算量大的层，对精度影响小。量化到INT8后，乘法可以用DSP，但加法可以用LUT实现来省DSP。硬件架构上，考虑用脉动阵列或者SIMD架构，让多个处理单元共享权重和输入数据，提高BRAM带宽利用率。预处理（比如双线性插值缩放）可以用FPGA的移位寄存器和乘法器高效实现，别用除法。后处理NMS比较耗逻辑，可以考虑用简化的贪心算法，或者用片上软核（如果FPGA带硬核或软核）来跑，分担压力。测试时一定要用真实场景数据集（比如戴口罩、侧脸），仿真精度和板级精度可能有差异。
我们去年搞过类似的项目，用的是Zynq-7020，模型也是YOLO-Fastest。我的经验是，先别急着上硬件，在PyTorch里把剪枝和量化流程打通最重要。剪枝的话，我们用的是结构化剪枝，按通道来剪，这样硬件实现起来规整。量化强烈推荐用训练后量化（PTQ）到INT8，用NVIDIA的TAO工具链或者微软的NNI都行，先校准再量化，损失能控制在2%以内。硬件设计上，关键是设计一个针对INT8乘加优化的PE（处理单元），把DSP用满。我们当时是把卷积计算拆成多个PE并行，每个PE处理一部分输入通道和输出通道，数据通过BRAM做缓存和复用。预处理和后处理一定要用硬件加速，用HLS写或者手写Verilog都行，归一化可以合并到卷积的偏置里，NMS用排序网络实现。最大的坑是片上内存不够，中间特征图要仔细规划，有些层可以边算边丢，别全存。
