# aimet_callback

Python API: `luxonis_train.callbacks.aimet_callback`

训练结束时运行 AIMET 量化。

## 类

### AIMETCallback

训练结束时使用 AIMET 量化模型。

回调将最佳检查点传递给
[LuxonisModel.quantize](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/core/core.md)。该方法运行训练后量化和量化感知训练。它将量化后的
ONNX 模型及其 NN Archive 写入 `<run_save_dir>/aimet`。配置的 `exporter.aimet` 部分包含选项。

当设置 `exporter.aimet.active`
时，[LuxonisLightningModule.configure_callbacks](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/lightning/luxonis_lightning.md)
会添加此回调。配置不必列出它。设置该标志后，`trainer.callbacks` 中的条目会添加第二个实例，并且这两个实例会两次量化模型。

高级技术很慢。 仅 AdaRound 就可能需要 40 分钟到几个小时。时间取决于数据集和模型的大小。

#### 方法

##### init

```python
def __init__(**kwargs):
```

初始化回调。

参数

 * `**kwargs`: 转发给
   [NeedsCheckpoint](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/callbacks/needs_checkpoint.md)
   的关键字参数。`preferred_checkpoint` 值 `"loss"` 选择损失检查点。任何其他值选择度量检查点。任何其他键都会引发 `TypeError`。

##### on_train_end

```python
def on_train_end(_: pl.Trainer, pl_module: lxt.LuxonisLightningModule):
```

从最佳检查点量化模型。

当 `trainer.fit` 结束时，Lightning 会调用此钩子一次。该钩子使用
[NeedsCheckpoint.get_checkpoint](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/callbacks/needs_checkpoint.md)
选择一个检查点，并将其与 `exporter.aimet` 的选项一起传递给
[LuxonisModel.quantize](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/core/core.md)。当不存在检查点时，量化仍会在
`pl_module.core.lightning_module` 的当前权重上运行。量化在模块的深层副本上工作，因此模块保留其权重。

参数

 * `_` (`pl.Trainer`): 训练器。未使用。
 * `pl_module` (`lxt.LuxonisLightningModule`): 要量化的模型。
