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/jasnaJasna 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 0.354K 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 0.404K 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 FPS4K 在 487–716 FPS 之间av1 10bit 到 h264 8bit8K 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-thresholdrfdetr-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-v2VR180 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-v1zelefans-vr-yolo-v2只做备用。维度rfdetr-vr-v1zelefans-vr-yolo-v2后端RF-DETRNVIDIA 上编译 TensorRTYOLO640 输入推理分辨率768640推荐阈值0.400.25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 YOLOYOLO 后端输入是 640×640 letterboxNVIDIA 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-v4fast 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.pyrfdetr-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 
长河君 · 2026/10/21 1:35:15 · 阅读 1.2k Jasna 检测模型怎么选：1080p、4K 与 VR180 素材对比指南
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/jasnaJasna 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 0.354K 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 0.404K 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 FPS4K 在 487–716 FPS 之间av1 10bit 到 h264 8bit8K 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-thresholdrfdetr-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-v2VR180 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-v1zelefans-vr-yolo-v2只做备用。维度rfdetr-vr-v1zelefans-vr-yolo-v2后端RF-DETRNVIDIA 上编译 TensorRTYOLO640 输入推理分辨率768640推荐阈值0.400.25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 YOLOYOLO 后端输入是 640×640 letterboxNVIDIA 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-v4fast 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.pyrfdetr-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