企业官网建设流程全解析

Jasna 检测模型怎么选？rfdetr-v6、YOLO 与 VR180 专用马赛克检测模型对比指南

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

Jasna 是一款开源的 JAV 视频马赛克修复工具（JAV video restoration tool）。它的核心流程是：先用马赛克检测模型逐帧找出画面中被遮挡的区域，再交给 AI 修复模型重建画面。检测模型选得对不对，直接决定修复的"找得准不准、跑得快不快"。本文带你一次性看懂rfdetr-v6、rfdetr-v6-large、Lada YOLO 与 VR180 专用检测模型的差异，帮你用最少的试错成本选出最合适的 Jasna 检测模型。

🧭 6 个检测模型速览：一张表看懂 Jasna 检测模型

Jasna 的检测模型注册表在 detection_registry.py 中定义，当前共支持2 大后端（RF-DETR / YOLO）、6 个模型：

💡 速记口诀：普通视频用 rfdetr-v6，4K 追求极致用 rfdetr-v6-large，VR 视频用 rfdetr-vr-v1，2D 动画试试 Lada YOLO。

模型的默认推荐阈值由recommended_score_threshold()自动应用，无需手动配置（源码见 detection_registry.py）。

🏆 rfdetr-v6 vs rfdetr-v6-large：日常修复怎么选？

这是绝大多数用户最常纠结的一对。两者的实现都位于 rfdetr.py，区别在于推理分辨率与规模：

• rfdetr-v6：推理分辨率 576，采用 "medium" 变体，动态批处理（配置定义）——速度最快，日常 1080p 修复的性价比之王，也是 Jasna 的出厂默认值（DEFAULT_DETECTION_MODEL_NAME = "rfdetr-v6"）。
• rfdetr-v6-large：推理分辨率提升到 768，"large" 变体，检测质量更高但速度更慢。官方文档明确建议：4K 视频更适合用它（见 models.md）。

怎么选？

• ✅ 视频 ≤ 1080p、追求处理速度 →rfdetr-v6（90% 场景的答案）
• ✅ 4K / 4K VR 素材、对漏检零容忍 →rfdetr-v6-large
• ✅ 想要"更稳"的漏检填补 → 可配合 CLI 参数--max-detection-gap 2（同一位置重新出现时填补最多 2 帧的检测中断）

性能参考：在 Jasna 的基准测试中（脚本 benchmark_scan_backends.py），默认配置（rfdetr-v6 + fp16 + batch 4）的逐帧扫描吞吐量约为1080p 下 830+ FPS、4K 下 500–720 FPS、8K VR 下约 170–217 FPS（RTX 5090），原始数据见 scan_decode_backends.md。

📺 Lada YOLO 模型：2D 动画场景的"隐藏选项"

YOLO 后端实现在 yolo.py（输入 640×640 letterbox，NVIDIA 上可编译 TensorRT 引擎加速）。Jasna 提供两款 Lada YOLO：

• lada-yolo-v2：lada_mosaic_detection_model_v2.pt
• lada-yolo-v4：lada_mosaic_detection_model_v4_fast.pt（fast 版，更快）

官方提示（见 GUI 内建说明）：

Lada YOLO 模型可能更适合 2D 动画。

适用场景：画面风格化的 2D 动画内容、或你在 rfdetr-v6 下发现某类马赛克反复漏检时，可切换 YOLO 交叉验证。普通真人视频不建议优先选 YOLO。

🕶️ VR180 专用检测模型：rfdetr-vr-v1 与 zelefans-vr-yolo-v2 对比

VR180 视频是左右眼并排的宽幅画面（如 3840×1920），普通检测模型在这种鱼眼投影下的表现会打折，因此 Jasna 专门提供了 VR 检测模型：

使用 VR 模型的推荐工作流（见 vr180.md）：

1. 像添加普通视频一样添加 VR 视频；
2. VR180 模式保持"自动（推荐）"——高度超过 1080 且严格 2:1 宽度的画面会自动识别为 SBS 并排 VR；
3. 检测模型切换为rfdetr-vr-v1（zelefans-vr-yolo-v2作为备用）；
4. 正常开始处理。不同片商的马赛克投影方式不同，Jasna 会在修复前按片商为每个马赛克区域自动选择 raw / 鱼眼 / 等距投影。

CLI 示例：

jasna --input input.mp4 --output output.mkv --detection-model rfdetr-vr-v1 --vr-mode auto

完整 VR180 说明（含 SBS + 鱼眼强制模式）见 docs/zh/vr180.md。

🎮 GUI 与 CLI：一键切换检测模型

GUI 三步切换

1. 打开设置面板中的**检测模型（Detection Model）**下拉框；
2. 下拉框会自动扫描model_weights/目录，列出已安装的模型（发现逻辑见 discover_available_detection_models()），内置模型无需任何下载；
3. 可选下载模型放入 model_weights/ 后会自动出现在列表中。

💡 小技巧：在区间编辑器（Segment Editor）里可以为每个视频单独设置不同的检测模型和置信度，且设置会被单独记住并用于最终处理——不同视频用不同检测模型互不干扰（文档：segments.md）。

CLI 参数速查

# 普通视频：默认模型即可 jasna --input input.mp4 --output output.mkv # 4K 追求质量：换大模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large # 漏检偏多？调低阈值；误检偏多？调高阈值 jasna --input input.mp4 --output output.mkv --detection-score-threshold 0.30

完整参数说明见 CLI 参考。

⚙️ 硬件适配小贴士：NVIDIA 与 AMD 的差异

Jasna 会按显卡厂商自动匹配权重文件类型（逻辑见 rfdetr_weights_suffix()）：

• NVIDIA：RF-DETR 使用.onnx权重编译为 TensorRT 引擎；YOLO 也可编译 TensorRT 引擎（yolo_tensorrt_compilation.py）——速度最快；
• AMD：RF-DETR 使用.pt权重直接以 torch 方式在显卡上运行（rfdetr_torch_runner.py），比 NVIDIA 上慢一些。

官方给出的 AMD 建议（models.md）：若速度比检测质量更重要，请选择lada-yolo-v4（YOLO 在 AMD 上不走 TensorRT 编译，但本身轻量）。

❓ 常见问题 FAQ

Q1：什么都不配直接跑，默认就是最优吗？是的。默认rfdetr-v6是官方认定的综合最佳选择，已随 Jasna 内置，开箱即用。

Q2：检测阈值（score threshold）该怎么调？规则很简单（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）。建议先用短片段测试再处理全片。

Q3：怎么快速定位视频里哪些片段有马赛克？用区间编辑器的马赛克扫描功能：可逐帧扫描或按 0.25–2 秒间隔扫描（GPU 上运行，RTX 5090 上约 2000 FPS），扫描后调整置信度滑块即可一键把检测到的区间加入修复列表。

Q4：检测到的区域不对，能反馈给项目吗？可以。在区间编辑器暂停到该帧，点击提交更好的遮罩勾画马赛克区域，数据会匿名上传用于改进未来的检测模型（实现见 mask_feedback.py）。

📚 延伸阅读

• 模型选择完整说明：docs/zh/models.md
• VR180 视频处理指南：docs/zh/vr180.md
• 区间处理与马赛克扫描：docs/zh/segments.md
• CLI 参数参考：docs/zh/cli.md
• 检测模块源码：jasna/mosaic/
• 模型权重放置目录：model_weights/

🏁 一句话总结

90% 的用户：保持默认 rfdetr-v6 即可；4K 素材换rfdetr-v6-large；VR180 换rfdetr-vr-v1；2D 动画或 AMD 追求速度试试Lada YOLO。选对检测模型，你的 Jasna 修复之旅就成功了一半 🎉

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