Jasna 检测模型怎么选：1080p、4K 与 VR180 素材对比指南
【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna
Jasna 检测模型选得对不对，直接决定每一帧里的马赛克块能不能被准确找出来，这一步偏了，后面的修复全白干。你多半也纠结过：普通素材用默认的rfdetr-v6就够了，可 4K 是不是要换？VR 素材漏检多，要不要试试 YOLO？先给结论：素材不是 4K、也不是 VR180，就别动默认的rfdetr-v6。
- 1080p 及以下普通视频 → 保持
rfdetr-v6（内置，推荐阈值 0.35） - 4K 素材、漏检零容忍 →
rfdetr-v6-large（推荐阈值 0.40，需单独下载） - VR180 左右并排视频 →
rfdetr-vr-v1（内置，推荐阈值 0.40）
4K 素材该用 rfdetr-v6 还是 rfdetr-v6-large
差异一句话：两者同属 RF-DETR 家族，rfdetr-v6-large只是把推理分辨率从 576 提到 768、变体从 medium 换成 large，用速度换漏检率。
- 如果是 1080p 及以下、马赛克块不算小 → 保持
rfdetr-v6，动态批处理下速度最快； - 如果是 4K 或 4K VR、马赛克块在画面里占比很小 → 换
rfdetr-v6-large，模型文档明确说 4K 视频可能更适合它； - 如果只是想补掉偶发一两帧的漏检 → 不换模型，用
--max-detection-gap 2即可（马赛克在相同位置重新出现时，最多填补 2 帧的检测中断）。
数据佐证（仓库基准测试，RTX 5090、rfdetr-v6 + fp16 + batch 4 逐帧扫描）：1080p h264 约 828 FPS，4K 在 487–716 FPS 之间（av1 10bit 到 h264 8bit），8K VR 素材仍有 169–218 FPS。也就是说 4K 逐帧扫描本身就是分钟级的事，换 large 的代价可控。原始数据见 benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md。
阈值该怎么调：漏检和误检对应不同参数
结果不满意时，先看是"找不到"还是"找错了"，再动对应参数（完整说明见 CLI 参考）：
- 漏检马赛克 → 调低
--detection-score-threshold，rfdetr-v6默认 0.35，可以先试 0.28； - 正常画面被误检 → 调高该阈值，先试 0.42；
- 单帧漏检、断断续续 → 保留
--max-detection-gap 2（默认值），按位置连续性补帧； - 一闪而过的误检 → 保留
--min-detection-duration 2（默认值），持续不足 2 帧的检测直接丢弃。
拿不准方向时，先用 10 秒片段试参数：
jasna --input input.mp4 --output output.mkv --detection-score-threshold 0.28阈值在另一处也派上用场：区间编辑器的马赛克扫描支持逐帧或按 0.25–2 秒间隔检查（RTX 5090 上约 2000 FPS），扫描完拖动阈值滑块就能改变哪些区间算"找到"，再一键加入修复列表，详见 区间与马赛克扫描。
VR180 素材该用 rfdetr-vr-v1 还是 zelefans-vr-yolo-v2
VR180 是左右眼并排的宽画面（如 3840×1920），鱼眼投影下马赛块的形状和 2D 视频差别很大，普通模型在这种画面上表现会打折。官方定位很明确：VR180 首选内置的rfdetr-vr-v1，zelefans-vr-yolo-v2只做备用。
| 维度 | rfdetr-vr-v1 | zelefans-vr-yolo-v2 |
|---|---|---|
| 后端 | RF-DETR（NVIDIA 上编译 TensorRT） | YOLO（640 输入） |
| 推理分辨率 | 768 | 640 |
| 推荐阈值 | 0.40 | 0.25 |
| 是否内置 | 是 | 否，需单独下载 |
| 定位 | VR180 首选 | 备用 |
工作流照 VR180 说明走：像普通视频一样添加文件 → VR180 模式保持"自动"（高度超过 1080 且宽度严格 2 倍高度的素材会自动识别为并排 VR）→ 检测模型选rfdetr-vr-v1→ 开始处理。不同片商马赛克的投影方式不同，Jasna 会在修复前按片商为每个马赛克自动选择原始 / 鱼眼 / 等距投影，不需要你手动干预。
jasna --input input.mp4 --output output.mp4 --detection-model rfdetr-vr-v1 --vr-mode auto什么时候值得换 YOLO
YOLO 后端输入是 640×640 letterbox，NVIDIA 上可编译 TensorRT 引擎。值得考虑它只有两种情况：
- 2D 动画素材：GUI 内置说明直接写了 Lada YOLO 模型可能更适合 2D 动画。如果你发现某类马赛克在
rfdetr-v6下反复漏检，换lada-yolo-v4（fast 版，更快）或lada-yolo-v2交叉验证一下； - AMD 显卡、速度优先：RF-DETR 在 AMD 上用
.pt权重直接以 torch 方式跑在显卡上，比 NVIDIA 上编译 TensorRT 的路线慢。模型文档给出的建议是：速度比检测质量更重要的话，选lada-yolo-v4，它本身轻量，不依赖 TensorRT 编译。
两条都不沾边就别主动换。普通真人视频里，RF-DETR 路线（.onnx编译 TensorRT）在 NVIDIA 上才是最快的组合。
常见误区：三个容易踩的坑
- 误区一：以为"YOLO 比 RF-DETR 快"是普遍规律。在 NVIDIA 上 RF-DETR 会把
.onnx权重编译成 TensorRT 引擎，本身就是最快路线；官方只在"AMD 且速度优先"的场景下推荐lada-yolo-v4。 - 误区二：想调高阈值让结果"更稳"。阈值只管"哪些检测结果被采纳"：调高换来的是更多漏检，调低换来的是更多误检。要稳定，靠的是
--max-detection-gap 2和--min-detection-duration 2，而不是阈值。 - 误区三：以为每个模型都得先部署好才能用。设置里的模型下拉框会自动扫描
model_weights/目录（逻辑见 detection_registry.py），rfdetr-v6、rfdetr-vr-v1、lada-yolo-v4都随 Jasna 内置，下载后直接可选；只有rfdetr-v6-large和zelefans-vr-yolo-v2需要你手动把权重放进该目录。
另外，片商马赛克类型不同的视频之间，可以在区间编辑器里逐个视频单独设置检测模型和阈值，设置互不干扰，最终任务会按各自保存的值执行。
行动清单
- 普通 1080p 及以下素材：不动任何设置，保持默认
rfdetr-v6。 - 4K 素材：把
rfdetr-v6-large权重按显卡类型放入model_weights/，再用--detection-model rfdetr-v6-large或设置面板选中它。 - VR180 素材：用
--detection-model rfdetr-vr-v1，--vr-mode保持 auto，投影交给 Jasna 按片商自动判断。 - 调阈值对号入座：漏检调低（0.35 → 0.28），误检调高（0.35 → 0.42）。
- 任何一次改动，先跑 10 秒短片段确认结果，再处理全片。
【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
 -- ConcurrentHashMap源码分析)
