Jasna 马赛克修复选型手册：6 个检测模型与 3 个阈值，新手 3 分钟快速定稿

【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna

Jasna 是一款开源的视频马赛克修复工具：检测模型先逐帧圈出马赛克位置，修复模型再重建画面。开始处理前你要做的决策只有一组——6 个检测模型选哪个、3 个阈值动不动。一句话结论：没有特殊需求就用默认rfdetr-v6——它已内置（detection_registry.py 中DEFAULT_DETECTION_MODEL_NAME = "rfdetr-v6"），576 分辨率推理、动态批处理，是速度与综合效果的平衡点。下面先讲怎么验证效果对不对，再给选型表和调参方法。

🧪 先建立验证方法：3 种症状判断"检测不对"

选型之前先确定"什么算对"。检测只有三种失败形态，每种对应一个参数，记方向比记数值重要：

两个验证工具让判断有据可依：

• 短片段试跑：从素材里截 30 秒马赛克最典型的片段，只跑这一段（命令见后文），逐帧对比原片。全片的任何参数问题都能在这 30 秒里暴露。
• 马赛克扫描：GUI 区间编辑器里的 GPU 加速预检，支持逐帧或每 0.25–2 秒扫描一次，RTX 5090 上约 2000 FPS，扫完可拖动阈值滑块实时看检测框增减（流程见 docs/zh/segments.md）。扫描时设定的检测模型与阈值会单独记住给该视频，并直接用于最终处理，不会干扰队列里的其他视频。

🎯 模型选型：按"显卡 + 素材"对号入座

Jasna 有 RF-DETR 与 YOLO 两个后端共 6 个检测模型，注册定义在 detection_registry.py。先看你手里有什么，再看要处理什么：

三个决定运行形态的事实：

• NVIDIA 与 AMD 的权重格式不同：Jasna 按显卡厂商自动匹配——NVIDIA 加载 RF-DETR 的.onnx并编译成 TensorRT 引擎（rfdetr.py），YOLO 系同样可编译 TensorRT 引擎；AMD 则加载.pt权重直接用 torch 跑在显卡上（rfdetr_torch_runner.py）。你不用手动选，但要知道 AMD 上 RF-DETR 路径更慢。
• 批处理大小有默认值：NVIDIA 默认 batch 4，AMD 默认 batch 8（default_detection_batch_size()），一般无需动。
• 内置只有两个：rfdetr-v6和rfdetr-vr-v1随 Jasna 附带；其余模型（rfdetr-v6-large、rfdetr-v5、YOLO 系）放进model_weights/后，GUI 的下拉框和 CLI 的--detection-model会自动发现。rfdetr-v5是旧版（固定 batch 4、阈值 0.25），仍受支持，新任务没有理由选它。

速度参考：官方基准（scripts/benchmark_scan_backends.py）在 RTX 5090、默认配置（rfdetr-v6 + fp16 + batch 4）下的逐帧扫描吞吐量——1080p 约 830 FPS，4K 约 490–720 FPS，8K VR 约 170–217 FPS（原始数据见 benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md）。检测这一步很快，瓶颈通常不在这里。

🎛️ 调参手册：3 个参数各按"现象 → 怎么调 → 怎么验证"三步走

三个参数都有合理默认值，只有输出不对时才需要碰。

1. 置信度--detection-score-threshold（默认取各模型推荐值）

• 现象：成片里还能看到马赛克（漏检）。
• 怎么调：向下调约 0.05–0.10。rfdetr-v6默认 0.35，可先降到 0.28–0.30；各模型推荐基线为rfdetr-v60.35、rfdetr-v6-large/rfdetr-vr-v10.40、YOLO 系 0.25。反方向是误检（正常画面被圈、成片色斑），则调高，例如 0.35 → 0.42。
• 怎么验证：重跑同一段 30 秒短片段。漏检方向上，原先漏掉的区域应被覆盖——如果误检同时变多，说明降过头，回调 0.05 再试；误检方向上，误检应明显减少且没有引入新的漏检。

2. 断档填补--max-detection-gap（默认 2）

• 现象：马赛克大部分时间都被检测到，中间断几帧，修复区域闪烁。
• 怎么调：调大到 3–5。它会在同一位置重新出现时，填补最多 N 帧的检测中断。
• 怎么验证：暂停到原先闪烁的帧，确认检测框已连续覆盖，且没有把本来该消失的临时框错误补出。

3. 最短时长--min-detection-duration（默认 2）

• 现象：某位置瞬间误检一下，成片出现一闪而过的色斑。
• 怎么调：调大到 3–5。它会丢弃持续不足 N 帧的检测。
• 怎么验证：复看原片段，瞬时色斑消失，同时确认真实的短马赛克（持续超过 N 帧的）没有被误丢。

前两个参数都在 jasna/main.py 的 Detection 参数组中定义，完整参数说明见 docs/zh/cli.md。

🏁 执行闭环：先短片段，后全片

任何参数都先在 30 秒短片段上验证，再上全片。可直接复制的命令：

# 1) 短片段试跑：只修复 10–40 秒这一段 jasna --input input.mp4 --output output.mkv --segments 10-40 # 2) 确认无误后跑全片（默认 rfdetr-v6） jasna --input input.mp4 --output output.mkv # 3) 4K 素材：换大模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large # 4) 漏检偏多：把阈值从默认 0.35 降到 0.30 jasna --input input.mp4 --output output.mkv --detection-score-threshold 0.30 # 5) VR180 左右并排素材 jasna --input input.mp4 --output output.mp4 --detection-model rfdetr-vr-v1 --vr-mode auto

GUI 用户只需要知道两件事：设置面板的检测模型下拉框自动扫描model_weights/目录列出可用模型，内置的rfdetr-v6与rfdetr-vr-v1无需下载；区间编辑器可以为每个视频单独指定检测模型与阈值，设置互相独立并直接用于最终处理。VR180 工作流保持--vr-mode auto（默认值）即可——高度超过 1080 且严格 2:1 的并排画面（如 3840×1920、8192×4096）会自动识别为左右并排 VR，修复前还会按片商自动选择 raw / 鱼眼 / 等距投影（docs/zh/vr180.md）。

📋 踩坑速查：遇到 X 就做 Y

• 什么都没配就想直接开跑→ 保持默认rfdetr-v6，这是默认值也是内置模型，开箱即用。
• 拿不准阈值往哪边调→ 记方向：漏检调低（0.35 → 0.28–0.30），误检调高（0.35 → 0.42），每次只动 0.05 左右并用短片段验证。
• 队列里混着不同清晰度的视频→ 在区间编辑器为每个视频单独设检测模型与阈值，各视频设置互相独立。
• 成片仍有零星几帧闪烁→ 把--max-detection-gap从默认 2 调大到 3–5，让同一位置的检测中断被补上。
• 检测框和画面里的马赛克对不上→ 在区间编辑器暂停到该帧，点提交更好的遮罩勾画区域，数据匿名上传用于改进未来的检测模型（实现见 jasna/gui/mask_feedback.py）。
• AMD 卡上跑得慢→ 速度比质量重要就换lada-yolo-v4；质量优先则接受rfdetr-v6的 torch 路径耗时。
• 想快速知道哪些区间有马赛克→ 用区间编辑器的马赛克扫描预检，扫完调整阈值滑块，一键把检测到的区间加入修复列表。

选对模型后，试错成本基本用完；短片段到全片这条链路走一遍，能覆盖绝大多数素材。想深入实现，从检测模块 jasna/mosaic/ 和 docs/zh/models.md 入手即可。

【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna