将PyTorch模型转换为ONNX模型的作用主要在于提高模型的可移植性和兼容性，同时不能直接用PyTorch模型去检测的原因可能涉及到环境配置、性能优化等方面。

首先，关于将PyTorch模型转换为ONNX模型的作用，ONNX（Open Neural Network Exchange）是一个开放的生态系统，用于交换机器学习模型。通过将PyTorch模型转换为ONNX格式，可以实现以下几点优势：

1. 提高模型的可移植性：ONNX模型可以在支持ONNX的任何平台上运行，不仅限于PyTorch支持的环境。这有助于在不同的设备和框架之间迁移模型。
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，但它们支持ONNX模型。在这种情况下，转换为ONNX模型可以使得模型在这些平台上高效运行。
3. 便于模型部署：在将模型部署到生产环境时，ONNX模型可以更容易地与其他工具链集成，例如用于模型优化和压缩的工具。

其次，至于为什么不能直接用PyTorch模型去检测，可能的原因包括：

1. 环境限制：目标环境可能没有安装PyTorch，或者不支持PyTorch运行所需的特定硬件加速功能，如CUDA。
2. 性能考虑：在某些情况下，使用PyTorch进行实时检测可能无法满足性能要求。这时，可以考虑将模型转换为更高效的格式，如TensorRT，以提高检测速度。
3. 模型加载策略：有时，为了获得更好的性能或准确率，可能会选择在PyTorch中训练模型，然后使用libtorch等工具来加载模型并进行检测。