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

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/jasnaJasna 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-v6576 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症状你在成片里看到什么属于哪种错误该动哪个参数修复后的帧里马赛克仍可见漏检--detection-score-threshold调低没马赛克的区域被圈出来成片出现色斑误检--detection-score-threshold调高马赛克一直在修复区域却一明一暗逐帧闪烁检测时断时续--max-detection-gap/--min-detection-duration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你的情况选哪个关键规格一句话理由NVIDIA普通 1080p 及以下视频rfdetr-v6内置默认576 分辨率阈值 0.35官方默认最快且综合表现最好NVIDIA4K / 4K VR漏检等不起rfdetr-v6-large需下载放入 model_weights/768 分辨率阈值 0.40更大模型漏检更少代价是更慢VR180 左右并排宽幅画面rfdetr-vr-v1内置768 分辨率阈值 0.40专为 VR180 训练zelefans-vr-yolo-v2可作备用2D 动画风格画面lada-yolo-v4需下载640×640 letterbox阈值 0.25YOLO 后端对动画风格马赛克识别更稳AMD 显卡、速度优先lada-yolo-v4同上模型轻量且不涉及引擎编译官方明确建议在 AMD 上速度比质量重要时选它docs/zh/models.mdAMD 显卡、质量优先rfdetr-v6576 分辨率AMD 上 RF-DETR 以 torch 方式直跑.pt权重比 NVIDIA 同模型慢可用但接受耗时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.pyYOLO 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 4AMD 默认 batch 8default_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 FPS4K 约 490–720 FPS8K 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 autoGUI 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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考