Jasna 检测模型适用边界rfdetr-v6、YOLO 与 VR 模型的选型决策清单【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasnaJasna 是一款先找马赛克、再重建画面的 JAV 视频马赛克修复工具逐帧马赛克检测模型选得对不对直接决定漏检、误检与每秒能扫多少帧。本文按使用场景梳理各检测模型的适用边界和关键参数帮你第一次就选对。⚡ 决策速查什么场景选哪个检测模型使用场景推荐选项关键参数日常 1080p 及以下rfdetr-v6默认内置阈值 0.35批处理 44K / 高规格素材怕漏检rfdetr-v6-large需下载阈值 0.40分辨率 768VR180 左右并排视频rfdetr-vr-v1内置阈值 0.40--vr-mode auto2D 动画风格内容lada-yolo-v4内置阈值 0.25640 输入AMD 显卡、速度优先lada-yolo-v4内置阈值 0.25VR180 备用方案zelefans-vr-yolo-v2下载阈值 0.25注册表覆盖 RF-DETR 与 YOLO 两大后端、10 个模型名含旧版本其中rfdetr-v6、rfdetr-vr-v1、lada-yolo-v4已内置无需下载源码见 detection_registry.py。选模型为什么影响结果机制一句话检测模型只负责找位置推理分辨率决定小马赛克是否看得清得分阈值决定区域要多像马赛克才动手。漏检 → 修复模型根本不会处理那块区域误检 → 修复模型把正常画面重绘一遍留下明显痕迹。选型只需要盯住这两点。日常 1080p 及以下用 rfdetr-v6模型推理分辨率阈值批处理策略rfdetr-v65760.35动态批处理默认 4rfdetr-v5旧版7680.25固定 4rfdetr-v6是 Jasna 出厂默认DEFAULT_DETECTION_MODEL_NAME576 分辨率 动态批处理是注册表里速度最快的组合。逐帧扫描基准RTX 5090fp16 batch 4720p 约 861 FPS1080p h264 828 FPS / hevc 834 FPS原始数据见 benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md。边界条件出现漏检时先调阈值别换模型换 v6-large 只留给 4K 素材。4K 素材该用哪个模型rfdetr-v6-large维度rfdetr-v6rfdetr-v6-large推理分辨率576768阈值0.350.40内置情况内置需下载权重2160p hevc 扫描—约 533 FPS官方文档明确4K 视频可能更适合它docs/zh/models.md权重按显卡类型取NVIDIA 用.onnx、AMD 用.pt放入model_weights/Jasna 自动发现无需其他配置。4K 下扫描约 533 FPShevc/ 487 FPSav1NVIDIA 上用双 NVDEC 解码单元拆分后约 707–727 FPS已接近检测上限 730–770 FPS。注意比 v6 慢1080p 及以下别换。VR180 视频rfdetr-vr-v1 是首选模型后端阈值内置情况rfdetr-vr-v1RF-DETR0.40内置zelefans-vr-yolo-v2YOLO0.25需下载VR180 是左右眼并排的宽幅画面3840×1920、8192×4096 等自动模式会把高度超 1080 且严格 2:1 的画幅识别为 SBS 并排 VRVR 元数据和已知片商名同样会触发。各片商马赛克投影方式不同Jasna 修复前按片商自动选 raw / 鱼眼 / 等距投影--vr-mode保持auto即可。注意LTX 修复模型不支持 VR180 并排视频修复用 BasicVSR。完整流程见 docs/zh/vr180.md。2D 动画内容试试 Lada YOLOYOLO 后端以 640×640 letterbox 输入推理yolo.pyNVIDIA 上还能编译 TensorRT 引擎加速。官方定位是在 2D 动画上可能更好两款里lada-yolo-v4是 fast 版且已内置docs/zh/models.md。适用画面风格化的 2D 动画或 rfdetr-v6 对某类马赛克反复漏检时换 YOLO 交叉验证真人实拍不建议优先选 YOLO。检测阈值score threshold怎么调默认值由recommended_score_threshold()按模型自动套用rfdetr-v60.35rfdetr-v6-large/rfdetr-vr-v10.40YOLO 模型 0.25docs/zh/cli.md。调低 → 找到更多区域代价是正常画面被误检重绘调高 → 找到更少代价是漏掉小马赛克。分步微调取一段有代表性的短片段以 0.05 为步长调漏检就降0.35→0.30误检就升0.35→0.42确认后再跑全片。配套开关先别动--max-detection-gap 2填补同位置最多 2 帧的中断--min-detection-duration 2丢弃短于 2 帧的检测两者默认都是 2。 GUI检测模型在两个位置可切换设置面板 →检测模型下拉框自动扫描model_weights/内置模型直接可用区间编辑器里可以为每个视频单独设置模型 阈值并记住用于最终任务不同视频互不干扰马赛克扫描跑在 GPU 上RTX 5090 约 2000 FPS扫完拖动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。jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large jasna --input vr.mp4 --output vr_out.mkv --detection-model rfdetr-vr-v1 --vr-mode auto环境差异NVIDIA 与 AMD 行为不同项目NVIDIAAMDRF-DETR 权重.onnx编译为 TensorRT.pt直接 torch 运行YOLO可编译 TensorRT 引擎无 TensorRT 编译检测速度更快RF-DETR 明显更慢权重扩展名由显卡厂商自动决定不需要手动指定detection_registry.py 的rfdetr_weights_suffix()。官方 AMD 建议如果速度比检测质量更重要选lada-yolo-v4。 高频避坑误检、漏检与模型反馈Q1什么都不配置直接跑会出问题吗不会。默认rfdetr-v6已内置阈值自动取推荐值 0.35直接跑即可。Q2正常画面反复被误判成马赛克把阈值提到 0.42CLI 加--detection-score-threshold 0.42或在 GUI 基本处理的检测阈值上调仍不理想再换rfdetr-v6-large。Q3小马赛克只出现一两帧没被修先确认--min-detection-duration是否还是 2调大过会丢掉短检测确属小目标漏检阈值降 0.05 或换rfdetr-v6-large。Q4检测区域明显不对能反馈给项目吗能。在区间编辑器暂停到该帧点建议更好的遮罩把马赛克圈出来数据加密后匿名上传用于改进未来模型mask_feedback.py。 延伸资源模型选择完整说明docs/zh/models.mdCLI 参数参考docs/zh/cli.mdVR180 处理流程docs/zh/vr180.md区间处理与马赛克扫描docs/zh/segments.md检测模型注册表源码jasna/mosaic/detection_registry.py分层建议默认用户、进阶用户与特殊场景多数用户保持默认rfdetr-v6出问题只调阈值不动模型。进阶用户4K 素材换rfdetr-v6-largeVR180 换rfdetr-vr-v1跑全片前先用区间编辑器的马赛克扫描核对一遍覆盖情况。特殊场景AMD 卡 / 2D 动画试lada-yolo-v4短片段验证检测无误后再跑全片。【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
Jasna 检测模型适用边界rfdetr-v6、YOLO 与 VR 模型的选型决策清单【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasnaJasna 是一款先找马赛克、再重建画面的 JAV 视频马赛克修复工具逐帧马赛克检测模型选得对不对直接决定漏检、误检与每秒能扫多少帧。本文按使用场景梳理各检测模型的适用边界和关键参数帮你第一次就选对。⚡ 决策速查什么场景选哪个检测模型使用场景推荐选项关键参数日常 1080p 及以下rfdetr-v6默认内置阈值 0.35批处理 44K / 高规格素材怕漏检rfdetr-v6-large需下载阈值 0.40分辨率 768VR180 左右并排视频rfdetr-vr-v1内置阈值 0.40--vr-mode auto2D 动画风格内容lada-yolo-v4内置阈值 0.25640 输入AMD 显卡、速度优先lada-yolo-v4内置阈值 0.25VR180 备用方案zelefans-vr-yolo-v2下载阈值 0.25注册表覆盖 RF-DETR 与 YOLO 两大后端、10 个模型名含旧版本其中rfdetr-v6、rfdetr-vr-v1、lada-yolo-v4已内置无需下载源码见 detection_registry.py。选模型为什么影响结果机制一句话检测模型只负责找位置推理分辨率决定小马赛克是否看得清得分阈值决定区域要多像马赛克才动手。漏检 → 修复模型根本不会处理那块区域误检 → 修复模型把正常画面重绘一遍留下明显痕迹。选型只需要盯住这两点。日常 1080p 及以下用 rfdetr-v6模型推理分辨率阈值批处理策略rfdetr-v65760.35动态批处理默认 4rfdetr-v5旧版7680.25固定 4rfdetr-v6是 Jasna 出厂默认DEFAULT_DETECTION_MODEL_NAME576 分辨率 动态批处理是注册表里速度最快的组合。逐帧扫描基准RTX 5090fp16 batch 4720p 约 861 FPS1080p h264 828 FPS / hevc 834 FPS原始数据见 benchmarks/2026-07-21_v0.8.2_scan_decode_backends.md。边界条件出现漏检时先调阈值别换模型换 v6-large 只留给 4K 素材。4K 素材该用哪个模型rfdetr-v6-large维度rfdetr-v6rfdetr-v6-large推理分辨率576768阈值0.350.40内置情况内置需下载权重2160p hevc 扫描—约 533 FPS官方文档明确4K 视频可能更适合它docs/zh/models.md权重按显卡类型取NVIDIA 用.onnx、AMD 用.pt放入model_weights/Jasna 自动发现无需其他配置。4K 下扫描约 533 FPShevc/ 487 FPSav1NVIDIA 上用双 NVDEC 解码单元拆分后约 707–727 FPS已接近检测上限 730–770 FPS。注意比 v6 慢1080p 及以下别换。VR180 视频rfdetr-vr-v1 是首选模型后端阈值内置情况rfdetr-vr-v1RF-DETR0.40内置zelefans-vr-yolo-v2YOLO0.25需下载VR180 是左右眼并排的宽幅画面3840×1920、8192×4096 等自动模式会把高度超 1080 且严格 2:1 的画幅识别为 SBS 并排 VRVR 元数据和已知片商名同样会触发。各片商马赛克投影方式不同Jasna 修复前按片商自动选 raw / 鱼眼 / 等距投影--vr-mode保持auto即可。注意LTX 修复模型不支持 VR180 并排视频修复用 BasicVSR。完整流程见 docs/zh/vr180.md。2D 动画内容试试 Lada YOLOYOLO 后端以 640×640 letterbox 输入推理yolo.pyNVIDIA 上还能编译 TensorRT 引擎加速。官方定位是在 2D 动画上可能更好两款里lada-yolo-v4是 fast 版且已内置docs/zh/models.md。适用画面风格化的 2D 动画或 rfdetr-v6 对某类马赛克反复漏检时换 YOLO 交叉验证真人实拍不建议优先选 YOLO。检测阈值score threshold怎么调默认值由recommended_score_threshold()按模型自动套用rfdetr-v60.35rfdetr-v6-large/rfdetr-vr-v10.40YOLO 模型 0.25docs/zh/cli.md。调低 → 找到更多区域代价是正常画面被误检重绘调高 → 找到更少代价是漏掉小马赛克。分步微调取一段有代表性的短片段以 0.05 为步长调漏检就降0.35→0.30误检就升0.35→0.42确认后再跑全片。配套开关先别动--max-detection-gap 2填补同位置最多 2 帧的中断--min-detection-duration 2丢弃短于 2 帧的检测两者默认都是 2。 GUI检测模型在两个位置可切换设置面板 →检测模型下拉框自动扫描model_weights/内置模型直接可用区间编辑器里可以为每个视频单独设置模型 阈值并记住用于最终任务不同视频互不干扰马赛克扫描跑在 GPU 上RTX 5090 约 2000 FPS扫完拖动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。jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6-large jasna --input vr.mp4 --output vr_out.mkv --detection-model rfdetr-vr-v1 --vr-mode auto环境差异NVIDIA 与 AMD 行为不同项目NVIDIAAMDRF-DETR 权重.onnx编译为 TensorRT.pt直接 torch 运行YOLO可编译 TensorRT 引擎无 TensorRT 编译检测速度更快RF-DETR 明显更慢权重扩展名由显卡厂商自动决定不需要手动指定detection_registry.py 的rfdetr_weights_suffix()。官方 AMD 建议如果速度比检测质量更重要选lada-yolo-v4。 高频避坑误检、漏检与模型反馈Q1什么都不配置直接跑会出问题吗不会。默认rfdetr-v6已内置阈值自动取推荐值 0.35直接跑即可。Q2正常画面反复被误判成马赛克把阈值提到 0.42CLI 加--detection-score-threshold 0.42或在 GUI 基本处理的检测阈值上调仍不理想再换rfdetr-v6-large。Q3小马赛克只出现一两帧没被修先确认--min-detection-duration是否还是 2调大过会丢掉短检测确属小目标漏检阈值降 0.05 或换rfdetr-v6-large。Q4检测区域明显不对能反馈给项目吗能。在区间编辑器暂停到该帧点建议更好的遮罩把马赛克圈出来数据加密后匿名上传用于改进未来模型mask_feedback.py。 延伸资源模型选择完整说明docs/zh/models.mdCLI 参数参考docs/zh/cli.mdVR180 处理流程docs/zh/vr180.md区间处理与马赛克扫描docs/zh/segments.md检测模型注册表源码jasna/mosaic/detection_registry.py分层建议默认用户、进阶用户与特殊场景多数用户保持默认rfdetr-v6出问题只调阈值不动模型。进阶用户4K 素材换rfdetr-v6-largeVR180 换rfdetr-vr-v1跑全片前先用区间编辑器的马赛克扫描核对一遍覆盖情况。特殊场景AMD 卡 / 2D 动画试lada-yolo-v4短片段验证检测无误后再跑全片。【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
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
