YOLOv5直接调用模型与detect.py推理结果不一致是什么原因？

问题原因与解决方法 #

两种调用方式出现结果差异的核心原因是推理参数、预处理逻辑没有完全对齐，常见的触发点和对应解决方法如下：

• 置信度过滤阈值不一致
  YOLOv5的torch.hub接口多数版本默认置信度阈值为0.6，只有检测置信度高于这个值的目标才会保留；而你运行detect.py时手动指定了--conf 0.25，阈值远低于默认值，你测试图里的车辆都是远处小目标，检测置信度普遍偏低，自然会在直接调用时被过滤掉，出现无检测结果的情况。
  解决方法：调用模型前手动对齐阈值：

model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
model.conf = 0.25 # 对齐detect.py的置信度阈值
model.iou = 0.45 # 对齐detect.py默认的NMS IOU阈值

• 推理输入分辨率不一致
  你运行detect.py时指定了--img 416，也就是把输入图片resize到416像素边长进行推理；而torch.hub接口默认的推理分辨率是640，不同的resize尺度对小目标的检测效果影响极大，尺度不合适会导致模型无法提取有效特征。
  解决方法：推理时指定和detect.py一致的输入尺寸：

results = model(img, size=416)

• 权重版本不一致
  torch.hub默认会拉取最新版的yolov5s权重，而你本地detect.py调用的yolov5s.pt可能是旧版本训练的权重，不同版本的权重结构、训练数据、精度都有差异，也会导致检测结果不同。
  解决方法：指定加载本地和detect.py完全相同的权重文件：

model = torch.hub.load('ultralytics/yolov5', 'custom', path='你本地detect.py使用的yolov5s.pt文件路径')

• 预处理逻辑差异
  如果是自行读取图片传入模型，需要注意OpenCV读取的图片是BGR通道顺序，而YOLOv5默认要求输入为RGB通道，直接传入OpenCV读取的图片会导致颜色信息错乱，检测失效。如果是直接传入图片路径调用可以忽略这个问题。

内容的提问来源于stack exchange，提问作者Eldertree777