多数问题出在设备索引或后端驱动不匹配：windows默认用cv2.cap_dshow，linux/macos需显式指定cv2.cap_v4l2等；应先确认设备存在，再尝试强制指定后端、更换索引、调整set顺序及启用mjpg压缩。
OpenCV cv2.VideoCapture 打不开摄像头或返回空帧怎么办
多数问题出在设备索引或后端驱动不匹配。Windows 上默认用 cv2.CAP_DSHOW，Linux/macOS 常需显式指定 cv2.CAP_V4L2 或 cv2.CAP_GSTREAMER。先确认设备是否存在：ls /dev/video*（Linux）或设备管理器里看是否识别为“USB Video Device”。
实操建议：
• 用 cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) 强制指定后端（Windows）
• 若 cap.isOpened() 返回 False，尝试索引从 0 换成 1 或 -1（自动枚举）
• 调用 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) 前，先 cap.read() 一次再 set，否则部分驱动会忽略设置
• USB 3.0 摄像头在某些主板上需加 cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc(*'MJPG')) 启用压缩传输，避免卡顿
YOLOv5/YOLOv8 的 model.predict 在实时流中延迟高、CPU 占满
直接对每帧调用 model.predict() 会导致推理吞吐跟不上采集帧率，尤其 CPU 推理时容易积压。关键不是模型本身，而是数据流调度方式。
实操建议：
• 禁用 stream=True（YOLOv8）或不用 stream=True 参数（YOLOv5），改用批量单帧 + 非阻塞读取
• 用 cap.grab() + cap.retrieve() 替代 cap.read()，跳过解码只抓帧，省下 10–15ms
• 设置固定帧率：用 time.sleep(max(0, 1/30 - (time.time() - last_time))) 控制主循环节奏，别让推理拖垮采集
• 小目标检测时，imgsz 别盲目设 640，416 或 320 更稳；YOLOv8 的 conf 建议设 0.4，iou 设 0.3，平衡漏检与误框
• OpenVINO 或 ONNX Runtime 加速比 PyTorch CPU 快 2–3 倍，但注意 YOLOv8 导出 ONNX 时要加 dynamic_axes 支持变长输入
多目标运动轨迹 ID 混乱、框抖动严重
纯 YOLO 输出的 bbox 没有跨帧关联，直接画框会跳变。靠 IOU 匹配（如 SORT）只是基础，实际光照变化、遮挡、小目标进出画面都会导致 ID 断裂。
实操建议：
• 不要用 deep_sort 默认参数跑实时流——max_age=30 太长，设成 5～8（对应 0.2s 内未匹配就丢 ID）
• 特征提取模型必须和检测模型分辨率对齐：YOLOv8 输出是 640x640，DeepSORT 的 extractor 输入也得 resize 到相同尺寸，否则特征错位
• 检测框预处理加 cv2.GaussianBlur（核大小 3）可减少边缘噪声，降低 IOU 计算抖动
• 对静止目标（如人站着不动），用 centroid distance + IOU 加权匹配，比纯 IOU 更鲁棒
• 每个 ID 维护一个长度为 5 的移动平均 bbox 队列，最终绘制时取均值，视觉更稳
脚本部署到树莓派/国产 ARM 板后频繁段错误或内存溢出
不是模型太大，而是 OpenCV 和 PyTorch 的底层库冲突，尤其在非标准 Linux 发行版（如 Ubuntu Core、Debian arm64）上，libglib、libavcodec 版本不兼容极易 crash。
实操建议：
• 完全卸载系统自带 OpenCV：sudo apt remove python3-opencv，改用 pip install opencv-python-headless==4.8.1.78（带 headless 避免 GUI 依赖）
• PyTorch ARM 版必须从官网下载对应 torch-2.0.1+cpu-cp39-cp39-linux_aarch64.whl，别用 pip 默认源的 x86 包
• 关闭 OpenCV 的硬件加速：export OPENCV_VIDEOIO_PRIORITY_V4L2=0，强制走软件解码，避免 V4L2 驱动 bug
• 用 psutil.Process().memory_info().rss 每 10 秒打一次内存快照，发现泄漏点——常见于没 del results 或没 torch.cuda.empty_cache()（即使没 GPU，PyTorch CPU 也会缓存 tensor 元数据）
实时运动目标检测真正在意的从来不是“能不能跑”，而是“能不能连续跑 8 小时不掉 ID、不涨内存、不飘框”。每个环节的妥协点都藏在参数细节里，比如 cap.set 的顺序、deep_sort 的 max_age、甚至 export 环境变量的位置——它们不报错，但会让系统在第三天凌晨突然失联。
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！
