要将yolo部署到移动端，需要将pt文件转换为TensorFlow Lite模型文件（安卓 .tflite,ios .mlmodel）。转换需要在linux环境中执行（必须下载ai_edge_litert）。

from ultralytics import YOLO
# 加载一个模型，路径为 YOLO 模型的 .pt 文件
model = YOLO(r"yolo11_best.pt")
# 导出模型，设置多种参数
model.export(
    format="tflite",
    int8=True  #量化为int8
)

结果在 pt文件名__saved_model 文件夹中，以.tflite结尾（多种格式，int8,float16,foat32，精度越高越准确）：

best_full_integer_quant：所有的权重和激活都被量化为整数（通常是 int8），这使得模型在推理时的计算更快，并且所需的内存更少。

best_integer_quant：与全量化模型相似，这种格式通常意味着权重已经被量化，而激活可能仍然是浮点数。这种格式在推理时仍然能保持较高的性能，并且在某些情况下，可能会在精度上优于完全量化模型。

best_int8：与 "full integer quant" 类似，通常指的是整个模型都已量化为 8 位整数。它的优点是占用的模型大小小，适合资源受限的设备。

best_float16：虽然模型大小比 float32 小，但它仍然能够保持较好的精度。适合于具有更高计算能力的设备，如某些手机或嵌入式系统，能够支持更高效的浮点计算。

best_float32：这种格式通常保留了模型的原始精度，是最常见的模型格式之一。但它的模型大小最大，推理速度可能也相对较慢，尤其是在资源受限的设备上。