用途：把训练好的 Ultralytics YOLO 模型导出到目标硬件格式，用于部署与推理加速，并验证导出后的精度。
两种使用方式：一是在 Platform 打开已完成模型的 Export 标签，选格式、配置参数、点击 Start Export；CPU 导出直接运行，TensorRT 等需选目标 GPU，完成后下载产物。TensorRT 引擎不跨 GPU/TRT 版本，应选部署设备的 GPU 家族或 Jetson 目标，版本不一致时改在本地设备导出。二是在代码/命令行导出：
from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") path = model.export(format="onnx") yolo export model=best.pt format=onnx
导出产物可直接再加载回 YOLO() 做 predict/val：YOLO("best.onnx")。
格式选择：NVIDIA GPU/Jetson 用 engine（TensorRT，需在部署设备构建）；Intel 用 openvino；Apple 用 coreml，iOS 27+/macOS 27+ 可用 coreai；Android 用 litert 或 ncnn；树莓派用 ncnn；跨平台可用 onnx；NPU 用 rknn/qnn/hailo/ascend/imx/axelera/deepx/xilinx。完整 22 个目标见 format-matrix.md。
关键参数：imgsz（默认继承模型，建议显式设为部署尺寸）、quantize（16/8/w8a8/w8a16/w8a32/32）、data（校准数据，建议 300 张以上，TensorRT 500+）、dynamic、batch、simplify、opset、nms、workspace、device、fraction。部分参数存在废弃名自动映射（half→quantize=16、end2end=True→nms=False、tflite→litert 等）。
导出后务必做精度对齐：分别用 yolo val 对 .pt 与导出模型跑同一任务指标比较；差异可接受范围取决于任务、后端、精度与校准数据。可用 yolo benchmark 对全部格式测任务指标与延迟，并在部署硬件上重复测试。
在非 Python 运行时（C++、移动端、JS）需自行实现 letterbox、BGR→RGB、/255 等预处理与输出解码。默认 nms=None 输出原始头，需要外部 NMS；nms=False 在 YOLO26/YOLOv10 输出 NMS-free 的 [max_det, 6] 行；类别名随元数据导出，不支持时需自行附带。
限制：TensorRT 引擎与设备及版本绑定；ONNX opset 不兼容需降低或升级运行时；构建 OOM 可降 workspace、batch=1、dynamic=False；CoreML 需在 macOS/Linux 导出，不支持 Windows；Core AI 需 macOS 26+ Apple silicon 或 x86_64 Linux、torch>=2.8、Python 3.11–3.14；Hailo、Ascend 等需先装厂商 SDK。若参数被拒绝，以错误信息与 yolo cfg 为准。其余收费、平台细节资料未提供。