OpenCV读取帧默认为uint8、HWC布局，需按“类型→归一化→布局”顺序转为float32+CHW：先astype(np.float32)，再/255.0，最后transpose((2,0,1))；颜色转换必须在归一化前用uint8进行。
OpenCV读取的帧默认是uint8、HWC布局，不是PyTorch或TensorFlow期望的CHW
OpenCV的cv2.VideoCapture.read()返回的帧是numpy.ndarray，类型固定为uint8，形状为(height, width, 3)（BGR顺序）。这不是“意外”，而是OpenCV底层用C++实现图像I/O时直接映射内存的结果——省去类型转换开销，但容易在后续深度学习流程中出错。
- 如果你直接把这帧喂给
torch.nn.Module，大概率触发RuntimeError: expected scalar type Float but found Byte - 如果调用
np.transpose(frame, (2, 0, 1))转CHW后忘了归一化，模型输入值域仍是[0, 255]，而多数预训练模型假设输入是[0.0, 1.0]或[-1.0, 1.0] -
uint8做除法（比如/ 255.0）会自动转成float64，不是float32——可能引发GPU加载失败或显存浪费
用astype和transpose安全转成float32+CHW
别链式调用frame.astype(np.float32) / 255.0再.transpose，顺序错了会多一次内存拷贝。先转类型，再归一化，最后换轴，三步明确可控。
import numpy as np
import cv2
<p>cap = cv2.VideoCapture('test.mp4')
ret, frame = cap.read() # frame.shape = (h, w, 3), frame.dtype = uint8</p><h1>正确顺序：类型 → 归一化 → 布局</h1><p>frame_f32 = frame.astype(np.float32) # uint8 → float32，不改变值
frame_norm = frame_f32 / 255.0 # 归一化到 [0.0, 1.0]
frame_chw = np.transpose(frame_norm, (2, 0, 1)) # (h,w,3) → (3,h,w)</p><h1>frame_chw.shape == (3, h, w), frame_chw.dtype == float32</h1>
- 必须用
np.float32，不是float（后者是float64） - 除法用
255.0而非255，避免Python整数除法陷阱（虽然uint8升为float32后影响不大，但写清楚更稳） - 不用
frame[None]或np.expand_dims加batch维——那是下一步的事，当前只处理单帧
遇到cv2.cvtColor时，uint8是硬性前提
cv2.cvtColor几乎所有转换（如BGR2RGB、BGR2GRAY）都要求输入是uint8或float32，但行为不同：传float32时，它默认按[0, 1]范围解释；而OpenCV读出来的帧是uint8、[0, 255]，所以颜色转换必须在归一化前做。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 错误示范：
cv2.cvtColor(frame.astype(np.float32)/255.0, cv2.COLOR_BGR2RGB)→ 颜色严重失真（因函数误以为输入已是[0,1]） - 正确顺序：先
cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)（保持uint8），再转float32、归一化、换轴 - 灰度图例外：
cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)输出是(h, w)、uint8，需用[:, :, None]补通道维才能继续走CHW流程
性能敏感场景下，避免重复astype和copy
实时视频处理时，每帧都astype会触发内存分配。如果确定后续只做推理（不修改像素值），可用view跳过拷贝——但仅限类型兼容路径，比如uint8→int16不行，uint8→float32也不行（位宽不同，无法共享内存）。真正能省的是BGR→RGB这种原地操作：
out=
-
cv2.cvtColor的dst参数能复用内存，比astype快10%~20% - 别迷信
np.ascontiguousarray——OpenCV返回的帧本来就是C-contiguous，除非你做了transpose或切片导致内存不连续，才需要它 - 如果用CUDA加速（如
cv2.cuda），帧必须是uint8且C-contiguous，float32不支持
底层数据布局和类型不是“细节”，是OpenCV与NumPy交互时最常卡住的地方。一旦帧从uint8变成float32，就再也回不去原生OpenCV操作了——该转的时候转，该留的时候留，边界得划清楚。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
