將PyTorch模型轉換為ONNX模型的作用主要在于提高模型的可移植性和兼容性，同時不能直接用PyTorch模型去檢測的原因可能涉及到環境配置、性能優化等方面。

首先，關于將PyTorch模型轉換為ONNX模型的作用，ONNX（Open Neural Network Exchange）是一個開放的生態系統，用于交換機器學習模型。通過將PyTorch模型轉換為ONNX格式，可以實現以下幾點優勢：

1. 提高模型的可移植性：ONNX模型可以在支持ONNX的任何平臺上運行，不僅限于PyTorch支持的環境。這有助于在不同的設備和框架之間遷移模型。
2. 算子兼容性：有些特定的硬件或者推理引擎（如NVIDIA的TensorRT）可能不支持所有PyTorch算子，但它們支持ONNX模型。在這種情況下，轉換為ONNX模型可以使得模型在這些平臺上高效運行。
3. 便于模型部署：在將模型部署到生產環境時，ONNX模型可以更容易地與其他工具鏈集成，例如用于模型優化和壓縮的工具。

其次，至于為什么不能直接用PyTorch模型去檢測，可能的原因包括：

1. 環境限制：目標環境可能沒有安裝PyTorch，或者不支持PyTorch運行所需的特定硬件加速功能，如CUDA。
2. 性能考慮：在某些情況下，使用PyTorch進行實時檢測可能無法滿足性能要求。這時，可以考慮將模型轉換為更高效的格式，如TensorRT，以提高檢測速度。
3. 模型加載策略：有時，為了獲得更好的性能或準確率，可能會選擇在PyTorch中訓練模型，然后使用libtorch等工具來加載模型并進行檢測。