Jasna 马赛克检测模型怎么选？7 个选项一篇看懂

Jasna 马赛克检测模型怎么选7 个选项一篇看懂【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasnaJasna 是一款开源的 JAV 视频马赛克修复工具先由检测模型逐帧找出被遮挡区域再交给修复模型重建画面。检测模型选错修复要么漏、要么白跑。本文讲清 RF-DETR / YOLO 两大后端的全部 7 个可选模型直接告诉你每种素材选哪个、怎么切。️ 7 个模型全景图10 秒定选全部选项定义在 detection_registry.py 的注册表中官方推荐阈值由recommended_score_threshold()自动应用L158-L162一般不用手动配模型后端定位内置推荐阈值rfdetr-v6⭐RF-DETR默认首选最快、综合最强✅0.35rfdetr-v6-largeRF-DETR质量更高、更慢4K 素材⬇️0.40rfdetr-v5RF-DETR旧版仍受支持固定 batch 4⬇️0.25rfdetr-vr-v1RF-DETRVR180 专用✅0.40lada-yolo-v2YOLO2D 动画可能更好⬇️0.25lada-yolo-v4YOLO2D 动画 / AMD 求速fast 版✅0.25zelefans-vr-yolo-v2YOLOVR180 备用⬇️0.25内置清单以 docs/zh/cli.md 为准rfdetr-v6、rfdetr-vr-v1、lada-yolo-v4随包附带其余放model_weights/后自动被发现发现逻辑见 discover_available_detection_models()。速记口诀普通 1080p 用默认 rfdetr-v64K 换 v6-largeVR180 换 vr-v1动画或 AMD 求速换 lada-yolo-v4。 rfdetr-v6 vs rfdetr-v6-large什么时候值得换这是日常最常纠结的一对两者实现都在 rfdetr.py配置差异见 detection_registry.py L74-L79维度rfdetr-v6 ⭐rfdetr-v6-large推理分辨率576768模型变体mediumlarge批处理动态动态官方定位大多数视频检测更好但更慢。4K 视频可能更适合官方对 large 的原文建议docs/zh/models.mdrfdetr-v6-large检测更好但更慢。4K 视频可能更适合。它需要单独下载。二选一建议✅ 素材 ≤ 1080p、追求吞吐 →rfdetr-v6这是 90% 场景的答案✅ 4K / 4K VR 素材、对漏检零容忍 →rfdetr-v6-largeNVIDIA 下选.onnx、AMD 下选.pt放入model_weights/✅ 漏检偏多又不想换模型 → 默认已启用--max-detection-gap 2同位置重现时最多补 2 帧检测中断一般够用速度参考rfdetr-v6 fp16 batch 4RTX 5090逐帧扫描吞吐数据见 基准报告1080p 约 828 FPS4K 约 530–717 FPS8K VR 约 169–217 FPS。仓库未提供 v6-large 的独立基准其慢是官方定性的更慢量级以自测为准。️ VR180 素材rfdetr-vr-v1 的标准流程VR180 是左右眼并排的宽幅画面如 3840×1920、8192×4096普通模型在鱼眼投影下表现打折。Jasna 的 VR 专用选项是内置的rfdetr-vr-v1768 分辨率、阈值 0.40配置备选zelefans-vr-yolo-v2YOLO640、0.25需单独下载。标准流程docs/zh/vr180.md像添加普通视频一样添加 VR 视频VR180 模式保持自动推荐——高度超过 1080 且严格 2:1 的画面会自动判为 SBS 并排 VR检测模型切到rfdetr-vr-v1zelefans-vr-yolo-v2 作为备用直接开始。不同片商马赛克投影方式不同Jasna 会在修复前按片商自动选 raw / 鱼眼 / 等距投影。两个提醒自动模式认不出文件时手动选SBS — 分眼处理或SBS 鱼眼强制按 VR 处理另外 LTX 修复模型不支持 VR180 左右并排VR 素材请搭配默认的 BasicVSR。 三个隐藏选项Lada YOLO、zelefans 与 rfdetr-v5Lada YOLOv2 / v4实现见 yolo.py640×640 letterboxNVIDIA 上可编译 TensorRT 引擎。GUI 内置提示的原话是Lada YOLO 模型可能更适合 2D 动画locales/zh.py。适合画面风格化的 2D 动画或在 rfdetr-v6 下某类马赛克反复漏检时做交叉验证。v4是 fast 版且已内置普通真人视频不建议优先选 YOLO。zelefans-vr-yolo-v2VR180 的第二选择。rfdetr-vr-v1 已内置且是官方首选仅在它漏检时再考虑换它。rfdetr-v5上一代 RF-DETR仍受支持但没有任何理由主动选它——分辨率同为 768却固定 batch 4engine_batch_size()比 v6 又慢又不新。老配置里出现时直接升级到 v6 即可。⚙️ AMD 显卡推荐为什么会变权重文件类型按显卡厂商自动匹配rfdetr_weights_suffix()NVIDIARF-DETR 用.onnx编译为 TensorRT 引擎YOLO 也可编译yolo_tensorrt_compilation.py——这是速度最快的路径AMDRF-DETR 改用.pt权重以 torch 方式直接跑在显卡上rfdetr_torch_runner.py官方明确RF-DETR 比在 NVIDIA 上慢。所以 AMD 用户若速度比检测质量更重要官方建议docs/zh/models.md如果速度比检测质量更重要请用lada-yolo-v4。YOLO 在 AMD 上不走 TensorRT 编译但模型本身轻量这就是它被点名的原因。质量优先的 AMD 用户仍可用 rfdetr-v6接受稍慢即可。️ 动手切换GUI 三步 CLI 参数速查GUI 三步设置面板打开**检测模型Detection Model**下拉框——它会扫描model_weights/列出已装模型内置三项v6 / vr-v1 / lada-yolo-v4无需任何下载下载的权重放进 model_weights/ 后自动出现在列表中直接选择即可需要按视频区分时打开区间编辑器为每个视频单独设置检测模型和阈值——设置独立保存并用于最终处理互不干扰docs/zh/segments.md。CLI 参数速查docs/zh/cli.md参数作用默认值--detection-model指定检测模型名rfdetr-v6--detection-model-path自定义权重路径自动按显卡选扩展名--detection-score-threshold检测置信度阈值各模型推荐值--max-detection-gap填补检测中断的最大帧数2--min-detection-duration过滤短于 N 帧的误检2--batch-size检测批处理大小4v5 固定 4--vr-modeVR 处理模式auto# 4K 素材换大模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large # VR180内置 VR 模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-vr-v1 --vr-mode auto # 误检偏多调高阈值 jasna --input input.mp4 --output output.mkv --detection-score-threshold 0.42❓ 常见问题Q1什么都不配直接跑默认就是最优吗是的。rfdetr-v6是出厂默认DEFAULT_DETECTION_MODEL_NAME官方认定综合最强且已内置。Q2检测阈值怎么调规则就一条cli.md漏检马赛克 → 调低如 0.35 → 0.28正常画面被误检 → 调高如 0.35 → 0.42。先用短片段验证再跑全片。Q3rfdetr-v6-large 该下哪个文件按显卡选NVIDIA 下.onnxAMD 下.pt文件名保持rfdetr-v6-large前缀放入model_weights/Jasna 自动识别。Q4怎么快速定位哪些片段有马赛克用区间编辑器的马赛克扫描可逐帧或按 0.25–2 秒间隔扫描RTX 5090 上约 2000 FPS扫完调整阈值滑块即可一键把检测到的区间加入修复列表docs/zh/segments.md。Q5检测区域不对能反馈给项目吗能。在区间编辑器暂停到该帧提交更好的遮罩勾画马赛克区域数据会匿名上传仅含应用版本、模型名称和分辨率用于训练更好的检测模型mask_feedback.py。 一句话总结90% 的用户保持默认 rfdetr-v6 即可4K 素材换rfdetr-v6-largeVR180 换rfdetr-vr-v12D 动画或 AMD 显卡求速换lada-yolo-v4。选对检测模型修复之旅就成功了一半。 延伸阅读模型选择完整说明docs/zh/models.mdVR180 处理指南docs/zh/vr180.md区间处理与马赛克扫描docs/zh/segments.mdCLI 参数参考docs/zh/cli.md检测模块源码jasna/mosaic/逐帧扫描基准数据benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考