YOLOv5模型无法在笔记本摄像头实时预测交通标志问题咨询

图像尺寸是核心影响因素 #

• YOLOv5训练用的是(1360,800)的图像，本地输入是(600,450)，两者长宽比差异明显（1.7 vs 1.33）。模型训练时学习的是对应比例下的物体特征，推理时强行缩放图像适配模型输入，会导致交通标志发生形变，模型无法匹配训练时的特征记忆，自然识别失败。
• 另外训练集图像分辨率更高，交通标志的像素细节充足；而本地低分辨率图像中，标志的像素占比过小，模型难以捕捉到足够的特征点，也是识别失效的关键原因。

图像文件大小本身不直接影响识别 #

• 文件大小主要由分辨率、压缩格式决定，单纯体积小不会导致识别失败，但如果是过度压缩引发图像模糊、噪点增多，确实会干扰模型判断。但你这个场景里，体积小本质是分辨率降低带来的，根源还是尺寸问题。

CPU不会导致识别失效 #

• 用CPU推理只会让速度变慢，不会直接导致模型无法识别。但要注意，CPU推理时如果默认使用了更小的推理尺寸，会进一步丢失特征，这时候需要手动指定和训练时一致的--img-size参数。

可尝试的解决办法 #

• 调整本地输入图像的长宽比：要么按比例裁剪，要么补黑边凑成(1360,800)，避免标志形变。
• 推理时设置--img-size 1360，强制用训练时的分辨率处理图像，不让模型自动缩小输入尺寸。
• 优化本地图像质量：确保摄像头抓拍的图像清晰，必要时增加简单的对比度增强预处理。
• 先拿训练用的测试集图像在本地CPU跑一遍，确认模型文件导出、加载正常，排除模型本身的问题。

内容的提问来源于stack exchange，提问作者Muhammad Ishaq Khan Mic