Jasna 马赛克检测模型怎么选？7 个选项一篇看懂

Jasna 马赛克检测模型怎么选？7 个选项一篇看懂

【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：先由检测模型逐帧找出被遮挡区域，再交给修复模型重建画面。检测模型选错，修复要么漏、要么白跑。本文讲清 RF-DETR / YOLO 两大后端的全部 7 个可选模型，直接告诉你每种素材选哪个、怎么切。

🗺️ 7 个模型全景图：10 秒定选

全部选项定义在 detection_registry.py 的注册表中，官方推荐阈值由recommended_score_threshold()自动应用（L158-L162），一般不用手动配：

内置清单以 docs/zh/cli.md 为准：rfdetr-v6、rfdetr-vr-v1、lada-yolo-v4随包附带，其余放model_weights/后自动被发现（发现逻辑见 discover_available_detection_models()）。

速记口诀：普通 1080p 用默认 rfdetr-v6，4K 换 v6-large，VR180 换 vr-v1，动画或 AMD 求速换 lada-yolo-v4。

🏃 rfdetr-v6 vs rfdetr-v6-large：什么时候值得换

这是日常最常纠结的一对，两者实现都在 rfdetr.py，配置差异见 detection_registry.py L74-L79：

官方对 large 的原文建议（docs/zh/models.md）：

rfdetr-v6-large：检测更好，但更慢。4K 视频可能更适合。它需要单独下载。

二选一建议：

• ✅ 素材 ≤ 1080p、追求吞吐 →rfdetr-v6，这是 90% 场景的答案
• ✅ 4K / 4K VR 素材、对漏检零容忍 →rfdetr-v6-large（NVIDIA 下选.onnx、AMD 下选.pt放入model_weights/）
• ✅ 漏检偏多又不想换模型 → 默认已启用--max-detection-gap 2，同位置重现时最多补 2 帧检测中断，一般够用

速度参考（rfdetr-v6 + fp16 + batch 4，RTX 5090，逐帧扫描吞吐，数据见 基准报告）：1080p 约 828 FPS，4K 约 530–717 FPS，8K VR 约 169–217 FPS。仓库未提供 v6-large 的独立基准，其慢是官方定性的"更慢"，量级以自测为准。

🕶️ VR180 素材：rfdetr-vr-v1 的标准流程

VR180 是左右眼并排的宽幅画面（如 3840×1920、8192×4096），普通模型在鱼眼投影下表现打折。Jasna 的 VR 专用选项是内置的rfdetr-vr-v1（768 分辨率、阈值 0.40，配置），备选zelefans-vr-yolo-v2（YOLO，640、0.25，需单独下载）。

标准流程（docs/zh/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 的画面会自动判为 SBS 并排 VR；
3. 检测模型切到rfdetr-vr-v1（zelefans-vr-yolo-v2 作为备用）；
4. 直接开始。不同片商马赛克投影方式不同，Jasna 会在修复前按片商自动选 raw / 鱼眼 / 等距投影。

两个提醒：自动模式认不出文件时，手动选"SBS — 分眼处理"或"SBS + 鱼眼"强制按 VR 处理；另外 LTX 修复模型不支持 VR180 左右并排，VR 素材请搭配默认的 BasicVSR++。

🎨 三个隐藏选项：Lada YOLO、zelefans 与 rfdetr-v5

• Lada YOLO（v2 / v4）：实现见 yolo.py（640×640 letterbox，NVIDIA 上可编译 TensorRT 引擎）。GUI 内置提示的原话是"Lada YOLO 模型：可能更适合 2D 动画"（locales/zh.py）。适合画面风格化的 2D 动画，或在 rfdetr-v6 下某类马赛克反复漏检时做交叉验证。v4是 fast 版且已内置，普通真人视频不建议优先选 YOLO。
• zelefans-vr-yolo-v2：VR180 的第二选择。rfdetr-vr-v1 已内置且是官方首选，仅在它漏检时再考虑换它。
• rfdetr-v5：上一代 RF-DETR，仍受支持但没有任何理由主动选它——分辨率同为 768，却固定 batch 4（engine_batch_size()），比 v6 又慢又不新。老配置里出现时直接升级到 v6 即可。

⚙️ AMD 显卡：推荐为什么会变

权重文件类型按显卡厂商自动匹配（rfdetr_weights_suffix()）：

• NVIDIA：RF-DETR 用.onnx编译为 TensorRT 引擎，YOLO 也可编译（yolo_tensorrt_compilation.py）——这是速度最快的路径；
• AMD：RF-DETR 改用.pt权重以 torch 方式直接跑在显卡上（rfdetr_torch_runner.py），官方明确"RF-DETR 比在 NVIDIA 上慢"。

所以 AMD 用户若速度比检测质量更重要，官方建议（docs/zh/models.md）：

如果速度比检测质量更重要，请用lada-yolo-v4。

YOLO 在 AMD 上不走 TensorRT 编译，但模型本身轻量，这就是它被点名的原因。质量优先的 AMD 用户仍可用 rfdetr-v6，接受稍慢即可。

🖱️ 动手切换：GUI 三步 + CLI 参数速查

GUI 三步：

1. 设置面板打开**检测模型（Detection Model）**下拉框——它会扫描model_weights/列出已装模型，内置三项（v6 / vr-v1 / lada-yolo-v4）无需任何下载；
2. 下载的权重放进 model_weights/ 后自动出现在列表中，直接选择即可；
3. 需要按视频区分时，打开区间编辑器，为每个视频单独设置检测模型和阈值——设置独立保存并用于最终处理，互不干扰（docs/zh/segments.md）。

CLI 参数速查（docs/zh/cli.md）：

# 4K 素材：换大模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large # VR180：内置 VR 模型 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-vr-v1 --vr-mode auto # 误检偏多：调高阈值 jasna --input input.mp4 --output output.mkv --detection-score-threshold 0.42

❓ 常见问题

Q1：什么都不配直接跑，默认就是最优吗？是的。rfdetr-v6是出厂默认（DEFAULT_DETECTION_MODEL_NAME），官方认定综合最强且已内置。

Q2：检测阈值怎么调？规则就一条（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）。先用短片段验证再跑全片。

Q3：rfdetr-v6-large 该下哪个文件？按显卡选：NVIDIA 下.onnx，AMD 下.pt，文件名保持rfdetr-v6-large前缀放入model_weights/，Jasna 自动识别。

Q4：怎么快速定位哪些片段有马赛克？用区间编辑器的马赛克扫描：可逐帧或按 0.25–2 秒间隔扫描（RTX 5090 上约 2000 FPS），扫完调整阈值滑块即可一键把检测到的区间加入修复列表（docs/zh/segments.md）。

Q5：检测区域不对，能反馈给项目吗？能。在区间编辑器暂停到该帧，提交更好的遮罩勾画马赛克区域，数据会匿名上传（仅含应用版本、模型名称和分辨率）用于训练更好的检测模型（mask_feedback.py）。

🏁 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 显卡求速换lada-yolo-v4。选对检测模型，修复之旅就成功了一半。

📚 延伸阅读

• 模型选择完整说明：docs/zh/models.md
• VR180 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/
• 逐帧扫描基准数据：benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md

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