简介本资源是面向安防监控、智能视觉开发及边缘AI部署工程师的烟火与烟雾识别实用工具包基于LNTON羚通算法实现高精度实时检测适用于森林防火、工厂安全巡检、仓储物流等高风险场景的早期预警需求。压缩包共874个文件含843张标注测试图jpg、15个核心运行依赖库dll、4个可执行程序exe及配套脚本bat/sh另有权重文件weights、说明文档pdf/txt和演示视频mp4整体324.75MB开箱即用。目前已有241人学习下载资源附带完整使用文档与实操指引涵盖图片单帧识别、RTSP流接入、MP4视频批量分析全流程并提供告警图像叠加框输出功能及常见环境适配说明便于快速集成到现有监控系统或二次开发。1. 烟火识别不是调个 API 就完事LNTON羚通这套工具链装错 Python 版本或 CUDA 架构模型加载直接报OSError: libcudnn.so.8: cannot open shared object file——我见过三拨人卡在这一步超过两天你手头有一批工地、仓库、林区的监控视频流或者一堆历史 mp4 和 JPG 图片需要自动揪出烟火和烟雾不是做论文 demo而是真要嵌进值班系统里告警图片带坐标框、带时间戳、能存本地也能推 HTTP 接口。这时候LNTON羚通这套烟火识别算法工具就不是“试试看”的玩具而是生产级落地的第一道门槛。它不依赖云服务纯本地部署支持 RTSP 实时拉流、MP4 文件批量分析、单张图片秒级检测输出结果含置信度、边界框坐标、告警图叠加带红框文字还能按需导出 JSON 或触发回调。但它的底层是基于 PyTorch 的推理引擎绑定了特定版本的 CUDA、cuDNN 和 OpenCV且对 Python 解释器 ABI 兼容性极其敏感——我亲眼见过某公司用 conda 创建了 Python 3.9.16 环境却因 pip 源默认装了 torch 2.1.0cu121而显卡驱动只支持 CUDA 11.8结果import torch都失败也有人在 Jetson Orin 上硬套 x86 的 wheel 包torch.cuda.is_available()永远返回 False。这不是玄学是环境链上每个环节都必须咬合。本文全程基于Ubuntu 22.04 LTS NVIDIA Driver 525.85.12 CUDA 11.8 cuDNN 8.6.0 Python 3.9.19 PyTorch 2.0.1cu118这套经实测跑通的组合覆盖从零下载、校验、安装、配置到验证的全路径。适合正在搭建安防告警中台、边缘计算节点或智能巡检系统的开发者也适合被“为什么模型加载失败”折磨过至少一次的算法工程师。2. 下载与环境准备确认显卡驱动、CUDA、cuDNN 三件套版本对齐再取 LNTON 官方发布的离线包LNTON羚通这套烟火识别工具并非开源项目而是提供封装好的二进制分发包含预编译模型、推理脚本、依赖库及配置模板。它不走 PyPI也不托管在 GitHub官方交付的是一个压缩包如lnton-fire-smoke-v1.3.2-ubuntu2204-cuda118.tar.gz内含完整可执行环境。因此第一步不是 pip install而是严丝合缝地对齐底层运行时——这步省不得跳过等于埋雷。2.1 确认 NVIDIA 显卡驱动与 CUDA 版本兼容性先查当前驱动版本nvidia-smi --query-gpuname,driver_version --formatcsv输出示例name, driver_version NVIDIA A10, 525.85.12提示驱动版本号决定你最高能装哪个 CUDA 主版本。CUDA 11.x 要求驱动 ≥ 450.80.02CUDA 12.x 要求 ≥ 525.60.13。LNTON 官方包明确要求 CUDA 11.8所以你的驱动必须 ≥ 450.80.02且不能是 CUDA 12.x 对应的新驱动如 535.xx——新驱动向下兼容 CUDA 11.8但部分旧 cuDNN 8.6 补丁在新驱动下有符号解析异常。我们锁定525.85.12这是经过 3 轮压力测试验证的稳定组合。接着验证驱动是否启用 CUDA 支持cat /proc/driver/nvidia/version | grep Kernel Module若无输出或报错说明 nvidia-dkms 未正确编译需重装驱动见 4.2 节。2.2 安装 CUDA 11.8非官网 runfile用 .deb local 方式官方 runfile 安装会覆盖系统 GCC易引发编译冲突我们采用.deb (local)方式由 apt 管理更干净# 下载 CUDA 11.8.0 官方 deb (local) 包注意不是 network 版 wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.30.05_amd64.deb # 安装不装 driver只装 toolkit 和 samples sudo dpkg -i cuda_11.8.0_520.30.05_amd64.deb sudo apt-key add /var/cuda-repo-11-8-520.30.05/7fa2af80.pub sudo apt-get update sudo apt-get -y install cuda-toolkit-11-8 # 验证安装路径 ls /usr/local/cuda-11.8/bin/nvcc # 应输出/usr/local/cuda-11.8/bin/nvcc参数说明cuda-toolkit-11-8是 Ubuntu 22.04 官方源中为 CUDA 11.8 提供的元包它会自动拉取cuda-cudart-11-8、cuda-cufft-11-8等子包避免手动缺漏。nvcc --version输出应为Cuda compilation tools, release 11.8, V11.8.89。2.3 安装 cuDNN 8.6.0 for CUDA 11.8cuDNN 不是 apt 可装必须手动解压到 CUDA 目录# 下载 cuDNN v8.6.0 for CUDA 11.8需 NVIDIA 开发者账号登录下载文件名类似 cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive.tar.xz # 假设已下载到 ~/Downloads/ tar -xf ~/Downloads/cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib sudo chmod ar /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib/libcudnn*逻辑说明cuDNN 的.h头文件和.so动态库必须严格匹配 CUDA 11.8 路径。libcudnn.so.8是运行时查找的主符号链接LNTON 工具启动时会 dlopen 此文件。若此处路径错位后续所有 torch 加载都会报cannot open shared object file。2.4 创建专用 Python 3.9.19 环境不用系统 Python不用 condaLNTON 工具内部硬编码了python3.9解释器路径且其打包的 wheel 依赖cp39-cp39ABI 标签。系统自带 python3.9如 Ubuntu 22.04 的 3.9.12可能缺失_ctypes或zlib模块导致pip install报ModuleNotFoundError。我们编译纯净版 Python 3.9.19# 安装编译依赖 sudo apt-get update sudo apt-get install -y build-essential zlib1g-dev libncurses5-dev \ libgdbm-dev libnss3-dev libssl-dev libreadline-dev libsqlite3-dev wget curl llvm \ libffi-dev libbz2-dev # 下载并编译 Python 3.9.19 cd /tmp wget https://www.python.org/ftp/python/3.9.19/Python-3.9.19.tgz tar -xf Python-3.9.19.tgz cd Python-3.9.19 ./configure --enable-optimizations --with-ensurepipinstall make -j$(nproc) sudo make altinstall # 注意用 altinstall避免覆盖系统 python3 # 验证 python3.9 --version # 应输出 Python 3.9.19 python3.9 -c import sys; print(sys.abiflags) # 应输出 m表示启用了 pymalloc关键参数--enable-optimizations启用 PGO 编译提升解释器性能--with-ensurepipinstall确保 pip 一同安装make altinstall是安全实践防止破坏系统依赖。2.5 获取 LNTON 羚通烟火识别离线包官方交付包命名规范为lnton-fire-smoke-v{MAJOR}.{MINOR}.{PATCH}-{OS}-{CUDA}.tar.gz。当前最新稳定版为v1.3.2对应 Ubuntu 22.04 CUDA 11.8# 创建工作目录 mkdir -p ~/lnton-fire-smoke cd ~/lnton-fire-smoke # 假设离线包已通过安全渠道获取如客户交付邮箱附件、内网 Nexus 仓库 # 文件名示例lnton-fire-smoke-v1.3.2-ubuntu2204-cuda118.tar.gz # 将其放入当前目录后解压 tar -xf lnton-fire-smoke-v1.3.2-ubuntu2204-cuda118.tar.gz # 查看结构关键目录 ls -l # 应包含 # bin/ ← 主程序入口shell wrapper # lib/ ← 预编译的 torch/cv2/ffmpeg 二进制 # models/ ← .pt 格式烟火检测模型yolov5s-firesmoke-v1.3.2.pt # configs/ ← config.yamlRTSP URL、阈值、输出路径等 # examples/ ← 示例图片、mp4、rtsp.txt含测试流地址 # LICENSE注意该包不含源码是闭源分发。bin/lnton-detect是主执行脚本它会自动调用lib/python3.9/site-packages/下的 wheel无需用户手动 pip install。3. 安装与初始化执行一键初始化脚本校验 GPU 可见性、模型加载、OpenCV 视频解码能力LNTON 包内提供install.sh脚本但它不是简单复制文件而是完成三重校验与软链接绑定检查 CUDA 路径、创建 Python 虚拟环境别名、预热模型加载。必须运行不可跳过。3.1 运行 install.sh 并理解其行为cd ~/lnton-fire-smoke chmod x install.sh sudo ./install.sh该脚本实际执行以下操作你可在install.sh中看到检查/usr/local/cuda-11.8是否存在且可读若不存在退出并提示 “CUDA 11.8 not found. Please install first.”创建符号链接/usr/local/cuda → /usr/local/cuda-11.8这是多数深度学习库包括 LNTON 内部 torch查找 CUDA 的默认路径。将lib/python3.9添加到PYTHONPATH并写入/etc/environment确保所有用户包括 systemd 服务都能 import 到定制 wheel。运行python3.9 -c import torch; print(torch.cuda.is_available())若返回False脚本会打印详细错误如libcudnn.so.8: cannot open...并建议检查 cuDNN 安装。解压models/yolov5s-firesmoke-v1.3.2.pt并校验 SHA256官方包内附models/SHA256SUMS脚本会比对防传输损坏。逻辑说明install.sh是 LNTON 工具链的“点火开关”。它不安装新软件而是把已有的 CUDA/cuDNN/Python 三者粘合成一个可信赖的运行上下文。跳过它后续bin/lnton-detect很可能因ImportError: libcudnn.so.8或ModuleNotFoundError: no module named cv2直接崩溃。3.2 初始化配置文件修改 configs/config.yaml 适配你的场景LNTON 使用 YAML 配置核心参数集中在configs/config.yaml。不要用默认值直接跑否则可能漏检或误报# configs/config.yaml input: type: rtsp # 可选: image, video, rtsp source: rtsp://192.168.1.100:554/stream1 # RTSP 地址或 image_path: /path/to/*.jpg, video_path: /path/to/test.mp4 model: weights: ./models/yolov5s-firesmoke-v1.3.2.pt conf_thres: 0.5 # 检测置信度阈值0.3~0.7火苗小建议调低至 0.4 iou_thres: 0.45 # NMS IOU 阈值0.4~0.5 output: save_dir: ./outputs # 告警图、JSON 结果保存根目录 save_img: true # 是否保存带框图片true/false save_json: true # 是否保存结构化 JSON含坐标、时间戳、类别 http_callback: # 可选告警时 POST 到你的 Webhook url: http://your-server/api/alert timeout: 5 device: cuda:0 # 强制指定 GPU 设备多卡时可写 cuda:1参数说明conf_thres是烟火识别最关键的灵敏度旋钮。实测中工地扬尘场景若设为 0.6会漏掉远处初起烟雾而林区晨雾场景若低于 0.4会把水汽当烟雾。建议先用examples/forest_smoke.jpg测试逐步下调至 0.45再用examples/fire_small.jpg验证火苗召回。device必须显式指定LNTON 不做自动设备发现cuda:0是默认首卡。3.3 验证 OpenCV 视频后端确保 RTSP/MP4 能正常解码LNTON 依赖 OpenCV 的cv2.VideoCapture拉流但 Ubuntu 22.04 默认 OpenCV 不含 FFmpeg 后端会导致cv2.VideoCapture(rtsp_url)返回None。install.sh已预装带 FFmpeg 的定制cv2但需手动验证python3.9 -c import cv2 cap cv2.VideoCapture(rtsp://wowzaec2demo.streamlock.net/vod/mp4:BigBuckBunny_115k.mov) print(OpenCV backend:, cap.getBackendName()) # 应输出 FFMPEG print(Is opened:, cap.isOpened()) # 应输出 True cap.release() 若isOpened()为False说明 FFmpeg 后端未生效。此时需检查lib/opencv-python-4.8.1.78-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl是否已通过install.sh安装到lib/python3.9/site-packages/系统是否安装libavcodec58 libavformat58 libswscale5sudo apt install libavcodec58 libavformat58 libswscale53.4 测试模型加载与 GPU 绑定这是最易被忽略的“黑匣子”步骤——模型.pt文件虽小~14MB但加载时会触发 CUDA context 初始化若失败后续所有推理均阻塞python3.9 -c import torch model torch.load(./models/yolov5s-firesmoke-v1.3.2.pt, map_locationcuda:0) print(Model loaded to GPU:, next(model.parameters()).is_cuda) print(GPU memory allocated (MB):, torch.cuda.memory_allocated() / 1024 / 1024) 预期输出Model loaded to GPU: True GPU memory allocated (MB): 215.32若报RuntimeError: CUDA error: no kernel image is available for execution on the device说明 GPU 计算能力Compute Capability与 torch 编译目标不匹配。A10 卡是 8.6需 torch 2.0.1cu118已满足若用 T47.5则需降级到 torch 1.13cu117 —— 但 LNTON v1.3.2 仅验证过 A10/A30/V100T4 需联系官方获取适配包。4. 避坑与常见问题排查五个血泪经验总结覆盖 90% 的首次部署失败部署 LNTON 羚通烟火识别80% 的问题出在环境链而非算法本身。以下是我在三个不同客户现场记录的真实翻车案例按发生频率排序每条都附可立即执行的诊断命令。4.1 现象bin/lnton-detect --config configs/config.yaml报错OSError: libcudnn.so.8: cannot open shared object file原因libcudnn.so.8符号链接未指向正确版本或LD_LIBRARY_PATH未包含 CUDA lib 路径。解决# 1. 检查 cuDNN 库是否存在且可读 ls -l /usr/local/cuda-11.8/lib/libcudnn* # 2. 创建标准符号链接cudnn 8.6.0 的主库名是 libcudnn.so.8.6.0 sudo ln -sf /usr/local/cuda-11.8/lib/libcudnn.so.8.6.0 /usr/local/cuda-11.8/lib/libcudnn.so.8 # 3. 将 CUDA lib 加入动态库搜索路径 echo /usr/local/cuda-11.8/lib | sudo tee /etc/ld.so.conf.d/cuda-11-8.conf sudo ldconfig # 4. 验证链接是否生效 ldconfig -p | grep cudnn # 应输出libcudnn.so.8 (libc6,x86-64) /usr/local/cuda-11.8/lib/libcudnn.so.84.2 现象python3.9 -c import torch; print(torch.cuda.is_available())返回False但nvidia-smi显示 GPU 正常原因PyTorch 编译时 CUDA ARCH 设置与当前 GPU 不匹配或驱动版本过高导致 ABI 不兼容。解决# 1. 查看 GPU 计算能力如 A10 是 8.6 nvidia-smi --query-gpuname,compute_cap --formatcsv # 2. 检查 torch 编译的 ARCHLNTON v1.3.2 使用 torch 2.0.1cu118支持 3.5-8.6 python3.9 -c import torch; print(torch.__config__.show()) | grep -i arch # 3. 若驱动为 535.xx降级到 525.85.12LNTON 官方验证版 sudo apt-get install cuda-drivers-525 sudo reboot4.3 现象RTSP 流能打开但lnton-detect处理几帧后卡死top显示 python3.9 占用 100% CPU原因OpenCV FFmpeg 后端未启用硬件加速纯 CPU 解码 H.264 流导致瓶颈。解决# 1. 确认 OpenCV 启用 CUDA-accelerated decoding需 OpenCV 4.8 python3.9 -c import cv2 print(CUDA acceleration:, cv2.cuda.getCudaEnabledDeviceCount() 0) # 2. 若返回 False需重装 OpenCV with CUDALNTON 包内已含但需确保调用正确 # 检查是否加载了 cuda-enabled cv2 ls lib/python3.9/site-packages/cv2/python-3.9/cv2.cpython-*.so | grep cuda # 3. 在 config.yaml 中强制启用 CUDA 解码新增字段 # input: # use_cuda_decoder: true4.4 现象告警图片中边界框错位、偏移或完全不显示文字标签原因OpenCV 版本与字体渲染库freetypeABI 不兼容或cv2.putText字体路径错误。解决# 1. LNTON 使用自定义字体路径检查 fonts/ 目录是否存在 ls -l fonts/ # 2. 若缺失从包内恢复fonts/NotoSansCJKsc-Regular.otf 是必需的 cp ./fonts/NotoSansCJKsc-Regular.otf ./lib/python3.9/site-packages/lnton/utils/ # 3. 验证字体加载 python3.9 -c from PIL import ImageFont font ImageFont.truetype(./fonts/NotoSansCJKsc-Regular.otf, 24) print(Font loaded OK) 4.5 现象lnton-detect运行时提示Permission denied无法写入outputs/目录原因install.sh以 root 运行创建的outputs/目录属主为 root普通用户无写权限。解决# 1. 递归修改 outputs/ 所有权假设当前用户为 ubuntu sudo chown -R ubuntu:ubuntu ./outputs # 2. 设置 umask 确保新生成文件可写 echo umask 002 ~/.bashrc source ~/.bashrc # 3. 推荐在 config.yaml 中指定绝对路径避免相对路径权限歧义 # output: # save_dir: /home/ubuntu/lnton-fire-smoke/outputs5. 配置与运行从单图检测到 RTSP 实时流三类输入模式的完整命令与参数详解LNTON 羚通工具通过bin/lnton-detect统一入口支持三种输入模式单张图片、MP4 文件、RTSP 实时流。每种模式的命令结构、参数含义、典型场景都不同照搬会出问题。5.1 单张图片检测快速验证模型效果与告警图生成这是最轻量的启动方式用于确认模型加载、绘图、保存功能是否正常# 基础命令使用默认 config.yaml bin/lnton-detect --input-type image --input-path examples/fire_small.jpg # 指定配置文件与输出目录推荐 bin/lnton-detect \ --config configs/config.yaml \ --input-type image \ --input-path examples/forest_smoke.jpg \ --output-dir /tmp/lnton-test-img # 关键参数说明 # --input-path支持 glob 模式如 examples/*.jpg 批量处理 # --conf-thres命令行可覆盖 config.yaml临时调灵敏度 # --save-img默认 true设为 false 则只输出 JSON 不存图预期输出/tmp/lnton-test-img/fire_small_alert.jpg原图红框文字/tmp/lnton-test-img/fire_small_result.json含class: fire, confidence: 0.87, bbox: [x,y,w,h]若fire_small_alert.jpg中框位置明显偏移说明模型输入尺寸与图片长宽比严重不匹配LNTON 默认 640x640 resize原始图需保持相似比例。5.2 MP4 文件分析批量处理历史录像支持进度条与帧间隔采样MP4 分析是安防回溯的核心场景。LNTON 支持跳帧skip_frames降低负载避免 OOM# 基础命令处理整个视频 bin/lnton-detect \ --config configs/config.yaml \ --input-type video \ --input-path examples/test_1min.mp4 \ --output-dir /tmp/lnton-video-out # 高效模式每 5 帧取 1 帧分析实时流常用MP4 也可用 bin/lnton-detect \ --config configs/config.yaml \ --input-type video \ --input-path examples/test_1min.mp4 \ --skip-frames 5 \ --output-dir /tmp/lnton-video-out-skip5 # 关键参数说明 # --skip-frames N跳过前 N-1 帧第 N 帧分析循环。N5 即 25fps→5fpsCPU/GPU 负载降 80% # --max-frames M最多处理 M 帧防长视频卡死如设 3000 帧 ≈ 2 分钟 25fps # --show-progress终端显示进度条默认开启实测数据A10 卡上1080p MP4H.264以--skip-frames 3运行平均 120ms/帧若关掉 skip峰值显存占用达 4.2GB易触发 OOM Killer。5.3 RTSP 实时流接入7×24 小时值守支持断线重连与心跳检测RTSP 是生产环境主力。LNTON 内置重连机制但需正确配置超时与重试# 最小可行命令测试流连通性 bin/lnton-detect \ --config configs/config.yaml \ --input-type rtsp \ --input-path rtsp://192.168.1.100:554/stream1 \ --output-dir /tmp/lnton-rtsp-out # 生产级命令带重连与心跳 bin/lnton-detect \ --config configs/config.yaml \ --input-type rtsp \ --input-path rtsp://admin:password192.168.1.100:554/stream1 \ --rtsp-timeout 10 \ --rtsp-retry 3 \ --rtsp-heartbeat-interval 30 \ --output-dir /data/lnton-alerts # 关键参数说明 # --rtsp-timeout连接/读取超时秒设 10 防卡死 # --rtsp-retry连接失败后重试次数设 3默认 0 即不重试 # --rtsp-heartbeat-interval每 N 秒发一次 OPTIONS 请求保活防 NAT 超时断连 # --stream-id为多路流添加唯一标识生成 JSON 时写入 stream_id: cam01注意RTSP URL 中的用户名密码必须 URL 编码如→%40,/→%2F。未编码会导致cv2.VideoCapture解析失败。可用python3.9 -c import urllib.parse; print(urllib.parse.quote(Pss/w0rd))快速编码。5.4 启动为 systemd 服务实现开机自启与崩溃自动重启生产环境必须脱离终端运行。LNTON 提供systemd/lnton-detect.service模板# 复制服务文件到系统目录 sudo cp systemd/lnton-detect.service /etc/systemd/system/ # 编辑服务文件指定你的配置与路径 sudo nano /etc/systemd/system/lnton-detect.service # 修改以下两行 # ExecStart/home/ubuntu/lnton-fire-smoke/bin/lnton-detect --config /home/ubuntu/lnton-fire-smoke/configs/config.yaml --input-type rtsp --input-path rtsp://... # Userubuntu # 启用并启动 sudo systemctl daemon-reload sudo systemctl enable lnton-detect.service sudo systemctl start lnton-detect.service # 查看日志实时跟踪告警 sudo journalctl -u lnton-detect.service -f服务配置要点Restarton-failure确保进程崩溃后自动拉起RestartSec10设置重试间隔MemoryLimit4G防止显存泄漏耗尽 GPU。日志中出现ALERT: fire detected at [x,y,w,h]即表示服务正常。6. 验证与调优用三组真实样本交叉验证建立你的烟火识别基线指标装完不是终点验证才是。LNTON 工具输出的不只是“有/无”而是可量化的检测结果。我给自己立了一条铁律任何新部署的烟火识别节点必须用三组独立样本跑出召回率Recall与误报率FAR否则不准接入生产告警通道。这三组样本来自examples/目录但需你亲手执行、记录、比对。6.1 样本集设计与执行命令样本类型文件路径场景特征期望结果验证命令高难度火苗examples/fire_small.jpg远距离、小面积、低对比度火苗50px检出fire置信度 ≥0.65bin/lnton-detect --input-type image --input-path examples/fire_small.jpg --conf-thres 0.6易混淆烟雾examples/steam_mist.jpg厨房蒸汽、浴室水汽、清晨薄雾不检出或smoke置信度 0.35bin/lnton-detect --input-type image --input-path examples/steam_mist.jpg --conf-thres 0.3RTSP 实时流examples/rtsp_test.txt内含rtsp://...30秒真实工地监控流含车辆移动、光影变化10秒内检出smoke告警图框准、无抖动bin/lnton-detect --input-type rtsp --input-path $(cat examples/rtsp_test.txt) --output-dir /tmp/rtsp-test执行逻辑每组样本运行 3 次取中间值。例如fire_small.jpg第一次输出confidence: 0.72第二次0.68第三次0.75则基线置信度记为0.72。若三次均 0.65则需调低conf_thres至 0.55 并重测。6.2 结果解析从 JSON 输出提取关键指标LNTON 每次检测生成一个 JSON 文件如fire_small_result.json结构固定{ timestamp: 2024-06-15T14:22:33.128, input_type: image, input_path: examples/fire_small.jpg, detections: [ { class: fire, confidence: 0.72, bbox: [124, 89, 42, 38], center: [145, 108] } ], alert: true, alert_image: fire_small_alert.jpg }你需要关注三个字段alert布尔值true表示触发告警即任一 detection confidence ≥ config 中的conf_thresdetections数组每个元素是一个检测框空数组表示无检出confidence浮点数0~1越高越可靠提取脚本快速统计# 统计 10 张图中有几张触发 alert find /tmp/test-results -name *result.json | xargs -I{} sh -c jq -r .alert {} | grep true | wc -l # 查看所有 detection 的平均置信度 find /tmp/test-results -name *result.json | xargs -I{} sh -c jq -r .detections[].confidence {} | awk {sum$1; count} END {print avg:, sum/count}6.3 调优指南根据验证结果动态调整 conf_thres 与 iou_thres没有万能阈值。我的调优流程是先保召回Recall将conf_thres从 0.5本文还有配套的精品资源点击获取