【避坑指南】YOLOv5无检测结果？降低conf_thres一键拯救你的目标检测模型

摘要：本文记录了一次使用YOLOv5进行目标检测时，屏幕空空如也、无任何框输出的诡异经历。根源在于conf_thres置信度阈值设置过高，导致所有检测结果被无情过滤。文章将带你从复现“错误现场”到分析原因，最终通过参数调整和环境修复彻底解决问题，非常适合正在踩坑的CV新手和嵌入式玩家参考。

---

引言

“代码跑通了，摄像头也打开了，可屏幕上就是一根毛都检测不出来！”
相信不少同学在初尝YOLOv5的时候都遇到过这种抓狂的情况。明明pip install了一堆依赖，终端里也没爆红，但检测窗口就是一片死寂，仿佛模型在对你冷笑。别急，这大概率不是模型坏了，而是一个小小的阈值在和你开玩笑。今天这篇避坑指南，就带你复盘我最近踩过的这个坑，看看如何从“全屏无框”到“万物皆可框”。

---

环境说明

项目	版本 / 配置
操作系统	Ubuntu 20.04 (树莓派 / Jetson Nano 同理)
Python	3.8
YOLOv5	v5.0 (官方仓库)
OpenCV	4.5.5
ONNX Runtime	1.10.0
PyTorch	1.10.0

注：以下排查方法同样适用于 YOLOv7、YOLOv8 等系列，概念完全互通。

---

错误现场

运行检测脚本后，终端没有任何 Python 报错，摄像头预览窗口正常弹出，但画面中没有任何检测框，也没有输出标签。控制台打印类似如下信息：

$ python detect.py --source 0
...
0: 480x640 (no detections), 125.6ms
Speed: 1.5ms pre-process, 125.6ms inference, 2.3ms NMS per image at shape (1, 3, 640, 480)

看到 (no detections) 那一刻，心都凉了半截。这个提示意味着模型推理确实在执行，但后处理阶段将所有检测都判定为无效，直接丢弃了。

---

排查思路

1. 怀疑依赖装少了 → 一顿猛补

• 操作：先检查 import cv2 是否成功，发现 OpenCV 没装，于是 pip install opencv-python onnxruntime serial numpy 一股脑全上。
• 结果：OpenCV 正常导入了，视频流也能显示，但依然无检测框。
• 无效原因：问题不在图像显示，而在检测后处理逻辑。

2. 怀疑系统包老旧 → apt 升级全家桶

• 操作：执行 sudo apt update && sudo apt upgrade -y，把系统底层库都更新了一遍，尤其是一些视频编解码依赖。
• 结果：摄像头打开更丝滑了，但检测结果还是一如既往的空。
• 无效原因：系统包与 Python 后处理参数无关。

3. 注意到代码里的 self.conf_thres → 灵光一现

翻看 detect.py 或模型的配置文件，发现这样一段：

self.conf_thres = 0.7   # 置信度阈值

注释里写着“过滤所有置信度低于该阈值的检测框”。瞬间明白了：如果模型对自己根本没信心，或者阈值设得过高，所有检测都会被过滤。我之前的场景中，模型确实输出了一些低置信度的预测（0.3 ~ 0.6），但因为阈值卡在 0.7，全部被掩杀。

• 操作：将 conf_thres 改成 0.25，重新运行。
• 结果：屏幕上瞬间出现了多个框，检测功能恢复正常。
• 成功原因：给模型的“不自信”留出了一条活路。

---

终极解决方案（Step-by-Step）

这套方案假设你已经成功克隆了 YOLOv5 仓库并安装了 PyTorch 基础环境，现在卡在“无检测结果”这一步。

Step 1：确保核心依赖无遗漏

pip install -r requirements.txt

requirements.txt 已包含 opencv-python、onnxruntime 等。如果单独安装过一些包，建议重新执行一次，确保版本兼容。

Step 2：修改置信度阈值

打开 detect.py 或你自定义的检测脚本，找到参数配置区（通常在 detect() 函数或 parse_opt() 处），将 --conf-thres 的默认值从 0.7 改为 0.25。

修改前：

parser.add_argument('--conf-thres', type=float, default=0.7, help='confidence threshold')

修改后：

parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold')

如果你是通过 Python 代码直接调用模型，例如：

model.conf = 0.25   # 设置置信度阈值

或在加载模型后动态修改：

results = model(img, conf=0.25)

Step 3：调整 NMS 的 IoU 阈值（可选但推荐）

有时候虽然检测到了，但一大堆框重叠在一起，视觉效果极差。可以适当调整 --iou-thres（默认为 0.45），比如改到 0.3 来减少冗余框：

python detect.py --source 0 --conf-thres 0.25 --iou-thres 0.3

Step 4：验证运行结果

python detect.py --source 0 --conf-thres 0.25

此时你应该能看到画面中出现带标签的边界框。如果仍然没有，检查摄像头索引或者 --source 是否正确；同时可以打印一下模型原始输出（pred），看看模型究竟有没有给出任何预测。

Step 5：（进阶）动态调整阈值，找到最佳平衡点

不同场景下最佳阈值不同，建议先用 0.25 跑起来，再逐渐上调（如 0.4、0.5），直到误检消失而漏检不严重为止。你甚至可以在脚本中加入 trackbar 实时调节：

import cv2
... 
cv2.createTrackbar('conf', 'result', 25, 100, lambda x: None)
while True:
    conf = cv2.getTrackbarPos('conf', 'result') / 100.0
    results = model(frame, conf=conf)
    ...

这样就能直观地感受阈值变化对检测结果的影响。

---

原理浅析

为什么改一个数字，效果就能从“零”到“满”？我们用做菜来打个比方：
模型端出来的是一盘盘“可能的食材”（预测框），每个框都贴有一张信心指数标签（置信度，0～1）。conf_thres 就是你设定的“下锅最低标准”——只有信心超过这个值的食材才能下锅炒出来给你看。如果你把标准定成“必须 99% 确定这是一块肉”，那稍微有点骨头嫌疑的肉就可能被扔掉，最后锅里啥都没有。降到“60% 确定就行”，那大部分肉都能进锅，虽然可能混进一两粒花椒，但至少能吃了。

在 YOLO 的后处理阶段，流程是：

1. 模型输出大量预测框，每个框附带有 objectness（是否包含目标）和 class probability；
2. 两者乘积作为该框的 confidence；
3. 将所有 confidence < conf_thres 的框直接剔除；
4. 剩余的框再进行非极大值抑制（NMS），去除重叠。

所以，如果阈值过高，步骤 3 就会杀死所有框，后面的步骤根本无框可去重，自然就出现了 (no detections)。

注意：阈值过低虽然能召回更多目标，但可能带来大量误检，还会拖慢 NMS 的速度，所以实际部署时要在准确率和召回率之间做权衡。

---

总结与避坑

• ✅ 置信度阈值不是越大越好：初次跑模型建议从 0.25 开始，而不是默认的 0.7。
• ✅ 看完日志再动手：出现 (no detections) 时，先确认模型是否在正常运行，再去查依赖问题。
• ✅ 动态调试是利器：用 OpenCV 滑动条实时调参，能让你最快找到甜蜜点。
• ✅ 不要忽视 NMS 参数：适当降低 iou-thres 可以让重叠框合并得更干净。
• ✅ 依赖不全时，先跑 requirements.txt：不要东一榔头西一棒子地手装各种包。

最佳实践：

• 使用官方 detect.py 前，先阅读 –help 了解所有参数。
• 在嵌入式设备上，因为算力有限，模型的置信度输出可能整体偏低，此时更需要降低阈值。
• 如果某些特定类别一直检测不到，可以考虑查看该类别的 AP 值，调整训练数据或类别权重，而不是一味降低阈值。