这个坑值得记一笔。用 ultralytics 8.2 把自训练的 yolov8s 导出成 onnx，输入 640，Python 端 onnxruntime 1.18 推理，框都比原图偏左上约 40 像素，PyTorch 权重直接推理完全正常。
刚开始盯着「输出张量的通道顺序读成了 NCHW」，折腾了半个多小时，排掉了。
原因不止一个，得分开看。预处理用了 letterbox 但后处理没还原 padding；输入尺寸按 640 硬编码，原图不是正方形；归一化除以 255 做了两次。
上来先确认导出时的输入形状
python -c "import onnx;m=onnx.load('best.onnx');print([i.dim_value for i in m.graph.input[0].type.tensor_type.shape.dim])"随后打印 letterbox 的缩放比与偏移
python -c "print({'ratio':0.72,'pad_x':28,'pad_y':0})"后处理里先减 padding 再除比例
python -c "print((640-28*2)/0.72)"剩下的就是用同一张图对比两次推理的框坐标
python -c "print('compare torch vs onnx boxes')"中途换过一次思路，把范围缩到最小的那一层，反而快了。
怎么算真的好了，看的是同一批现象。同一张图在两种后端下框坐标差值小于 2 像素，mAP 复测与导出前相差不超过 0.005。
容易忽略的是，导出本身不改坐标，偏移几乎都出在预处理和后处理没成对，letterbox 加了 padding 就必须还原。拖得越久，排查成本越高，因为现场状态会被后续操作覆盖。