PyTorch转ONNX后推理结果和原模型差很多，是量化问题还是算子不支持？

遇到过类似的，Focus和SiLU被拆开一般不影响精度，但如果你用了amp训练，转ONNX时权重里可能有half精度残留，建议先确认下导出的模型权重是不是fp32。另外opset版本建议至少设到12以上，dynamic_axes最好把batch和wh维度都标上，不然推理时shape变化可能导致数值异常。onnx-simplifier可以试试，但主要作用是去掉冗余节点，对精度损失帮助有限，更可能是预处理细节（比如归一化方式或letterbox的padding值）在前后端没完全对齐。如果实在查不出来，可以逐层对比torch和onnx的中间输出，定位到第一个出现偏差的节点。

大概率是算子拆解后精度丢失，先试下opset=12+dynamic_axes，simplifier对Focus帮助不大。

八成是opset版本太低导致Focus展开时精度丢了，试试opset=12以上顺便开下dynamic_axes。

我之前也踩过这个坑，YOLOv5转ONNX后置信度掉一截大概率不是量化问题，你关了amp就排除了这个。Focus和SiLU被拆小算子确实会影响数值精度，但更常见的是opset版本太低导致某些算子走的是旧版实现，建议试试opset=12或13，同时把dynamic_axes设上。onnx-simplifier可以跑一下，主要是把那些冗余的reshape和concat合并掉，对精度恢复有点帮助，但别指望完全一致。另外你对比下torch和onnx的输出特征图，看看是哪个层开始偏差变大的，这样定位更快。