197、NCNN 平台部署 YOLOv11：模型转换、量化参数设置与 Android C++ API 推理调用一、从一次线上崩溃说起上个月帮客户调一个Android端YOLOv11检测App，模型在PC上跑FP32精度0.82，一上手机直接崩——NCNN加载时报“layer input shape mismatch”。查了两天，发现是ONNX导出时把动态batch写死了，NCNN解析时输入维度对不上。更坑的是，客户用的骁龙865，量化后mAP掉了12个点，最后发现是量化校准集只用了20张图，激活值分布根本没覆盖全。这种坑我踩了不下十次。今天这篇笔记，把YOLOv11从PyTorch到NCNN的完整部署链路拆开揉碎，重点讲模型转换的暗坑、量化参数怎么调、Android端C++ API怎么封装才能跑得稳。所有代码都经过实际验证，消融实验数据来自我手头一台Redmi K60（骁龙8+）和一台小米平板5（骁龙870）。二、模型转换：ONNX导出是第一个鬼门关2.1 导出ONNX的正确姿势YOLOv11的官方导出脚本默认带opset=17，但NCNN对某些算子支持不完整。我踩过的坑：torch.split在opset 17下会拆成Slice+Shape组合，NCNN解析时shape推断会炸。正确做法