YOLO模型压缩与部署加速，ONNX、TensorRT与INT8量化在真实的工业视觉、自动驾驶、安防监控和边缘计算场景中，训练出一个指标漂亮的 YOLO 模型只是第一步。模型能否以稳定的帧率、可接受的延迟和足够低的显存占用跑在目标硬件上，往往才是项目成败的关键。很多团队在实验室里用 PyTorch 推理一切正常，一旦交付到 Jetson、工控机、服务器或浏览器端，就会遇到帧率腰斩、显存暴涨、精度骤降、算子不支持、动态尺寸报错等一系列问题。这些问题的根源，通常不是模型本身“不够好”，而是从训练框架到推理引擎之间缺少一条工程化、可验证、可复现的部署链路。本文围绕 YOLO 系列模型（包括 YOLOv5、YOLOv8、YOLOv11 等常见结构）的压缩与部署展开，重点讨论 ONNX 导出、ONNX Runtime 推理优化、TensorRT 引擎构建、FP16 与 INT8 量化、前后处理加速，以及跨平台部署时的选型与踩坑。文章不会停留在“跑通一条命令”的层面，而是尽量解释每个步骤背后的原理、参数含义、性能收益和精度风险，并给出可以直接改写的代码示例与工程检查清单。阅读本文建议具备以下基础：了解卷积神经网络与 YOLO 的基本结构，使用过 PyTorch 训练和推理，知道什么是 batch、NMS、letterbox，并在 NVIDIA GPU 或至少 CPU 环境中运行过 ONNX 模型。对于刚接触部署的读者，可以按章节顺序阅读；对于已经能跑通 TensorRT 的读者，可以重点看量化校准、动态 shape、前后处理与踩坑部分。一、YOLO 部署链路与性能指标
