PyTorch转ONNX再转TensorRT，精度掉了两个点正常吗？

FP16掉2个点对分割模型来说确实偏高了，但也不是完全离谱——DeepLabV3+这种密集预测任务对数值扰动本来就比分类敏感，尤其边界和细小目标容易先崩。你试了calibration还是没救回来，大概率是某些层的激活范围分布太宽，TensorRT的FP16截断把那些离群值砍得太狠了。建议先定位是哪几层掉的精度，用polygraphy逐层对比一下，或者试试只对特定层开FP16、其他保持FP32的混合精度。INT8如果校准集选得好，反而可能比FP16更稳，但500张图不一定够，尤其分割场景多样性要足。实在不行就退回ONNX Runtime的FP16，或者考虑换TensorRT的DLA（如果有的话）试试。

FP16掉两个点在分割里确实不算罕见，尤其是DeepLabV3+这种带空洞卷积和大量小目标的模型，TensorRT对某些算子的FP16实现跟PyTorch不完全一致，误差会累积。你试过逐层对比输出吗？有时候问题出在某个特定层，比如ASPP里的池化或者上采样，单独把那几层锁FP32可能就能拉回来不少。另外Calibration是给INT8用的，你跑FP16其实用不上，strict_type反而可能限制了一些层的融合策略，可以关掉试试。