069、NCNN 移动端部署：YOLOv8 到 NCNN 转换、量化与 Android 集成方案一、从一次诡异的崩溃说起上个月帮客户调一个YOLOv8的Android demo，模型在PC上跑NCNN的benchmark一切正常，一上真机就崩——不是闪退，是推理到一半直接SIGSEGV。查了两天，最后发现是模型转换时用了错误的param文件，导致卷积层的padding参数被截断。这种坑，踩过一次就再也不会忘了。今天这篇笔记，我把YOLOv8从PyTorch到NCNN的完整链路拆开揉碎，重点讲那些文档里不会写的细节：ONNX导出时哪些op会被NCNN嫌弃、量化校准集怎么选才不会让mAP掉成负数、Android端怎么把NCNN的native层和Java层优雅地串起来。二、模型转换：ONNX是中间人，但别太信任它2.1 PyTorch导出ONNX的“潜规则”YOLOv8的官方代码里export.py已经写好了导出逻辑，但直接跑出来的ONNX，NCNN不一定买账。我习惯在导出前做两件事：第一，把模型切换到eval模式，这步很多人会忘。别笑，我真见过有人用train模式导出，结果BN层的running_mean和running_var全乱套，推理结果直接飘到天上去。第二，固定输入尺寸。YOLOv8支持动态batch和动态尺寸，但NCNN对动态shape的