YOLO自定义模型图片检测正常，视频实时检测无结果求助

核心原因分析 #

图片检测正常但视频流直接检测失效，且拆帧转JPG后能正常检测，说明问题大概率出在视频帧的格式/色彩空间与模型输入要求不匹配，或是代码细节处理遗漏。

具体排查与修复步骤 #

1. 手动统一色彩空间 #

OpenCV读取视频帧默认是BGR格式，而YOLOv5训练时默认用RGB格式。虽然模型理论上会自动处理，但偶尔会出现兼容问题，手动转换格式试试：

cap = cv2.VideoCapture('../video/1st/output.mp4')
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break  # 新增：处理帧读取失败的情况
    
    # 手动将BGR转RGB适配模型输入
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = model(frame_rgb)
    
    # 渲染结果后转回BGR给OpenCV显示
    final_img = np.squeeze(results.render())
    final_img_bgr = cv2.cvtColor(final_img, cv2.COLOR_RGB2BGR)
    
    cv2.imshow("YOLO", final_img_bgr)
    if cv2.waitKey(10) & 0XFF == ord("q"):
        break
cap.release()
cv2.destroyAllWindows()

2. 对齐视频帧与训练集分辨率 #

如果视频帧分辨率和训练时的图片分辨率差异过大，可能导致模型检测失效。强制将视频帧resize到训练时的尺寸（比如640x640，替换成你实际训练用的img-size参数）：

# 在色彩空间转换后添加resize
frame_resized = cv2.resize(frame_rgb, (640, 640))
results = model(frame_resized)

3. 固定模型推理设备 #

确认模型运行的设备（CPU/GPU），视频流推理时设备切换可能引发隐性问题，手动指定设备：

# 加载模型时指定设备，0代表GPU，cpu代表CPU
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5/runs/train/exp36/weights/best.pt", force_reload=True, device='0')

4. 验证模型推理结果 #

添加打印语句查看检测原始数据，确认是没检测到还是显示环节出问题：

results = model(frame_rgb)
print(results.pandas().xyxy[0])  # 打印检测到的目标坐标、置信度等信息

如果有输出检测框，说明是显示环节问题；如果无输出，回到前两步排查输入兼容性。

5. 完善帧读取逻辑 #

原代码未处理ret=False的情况（比如视频读到末尾），错误帧传入模型会影响后续检测，必须加上帧读取有效性判断，如步骤1中的if not ret: break。

拆帧转JPG能正常检测的原因 #

保存JPG时，图片色彩空间会自动转为RGB，且格式完全匹配训练集的输入标准，因此模型能正常识别。

内容的提问来源于stack exchange，提问作者Aggerio6969