目标检测

按 Ultralytics 数据集约定准备自有目标框，运行 YOLO 检测训练并检查类 ID、验证集与误检漏检。

从 CVAT 导出传统 YOLO 标注后，按 obj.names 和归一化坐标核对类别、框和图片文件映射。

在 CVAT 确认可用 SAM interactor 后，用正负点生成杯子掩码，人工核对边缘及标签，并说明部署前提。

等比例缩放图片并补边，记录实际双轴缩放系数和偏移，再用示例框核对逆变换。

按两个置信门槛统计静态照片的行人候选，再以误检、漏检及框位置核对计数。

用 YOLO11n 将一张图片转换为带原图尺寸、类别、分数和框坐标的 JSON，并核对无检测结果的含义。

选开源视频AI分析工具，最先要想清楚三件事：你要分析什么视频、结果要实时还是离线、能不能接受自己部署和调参。如果只是想识别人、车、物体，轻量目标检测工具就够；如果要做行为分析、异常事件、工地安全、门店客流或长视频检索，就需要把检测、跟踪、识别、存储、告警和可视化组合起来。开源方案的优势是可控、可二次开发、成本透明，但它不是“下载即用”的万能软件，真正的成本往…