YOLO 物体识别与置信度

01选择支持的物体

从现有目录选择人、汽车、卡车、沙发、床、旅行箱等。car 与 truck 是独立类别，想同时识别应同时勾选；bed 标签不保证能可靠识别单独床垫。

这些是物体标签，不是行为意图。电梯里有沙发不等于已经证明在搬家；衣服颜色和是否戴安全帽也不是普通物体标签直接提供的信息。

在规则中选择对象和置信度。同一画面的规则共享识别；搜索标签来自达到对应规则对象门槛的识别结果，不再另设历史标签条件。

02正确理解置信度

新配置默认 70%，页面允许设置 10%–95%；已有阈值不会自动被覆盖。提高阈值通常减少弱检测，也可能漏报；降低阈值会放入更多候选，也可能增加误报。

70% 是模型输出的筛选门槛，不是“准确率保证 70%”。小目标、暗光、遮挡和压缩会影响效果。缩略图的 YOLO 徽章表示已保存的配置，不代表模型当前健康状态。

这里显示事件当时的分数，不是今天的设置。当前规则要求触发帧和近期跟踪分数都达到门槛。分数不代表准确率保证。

03将识别与规则关联

在规则中选择对象和置信度。同一画面的规则共享识别；搜索标签来自达到对应规则对象门槛的识别结果，不再另设历史标签条件。

可搜索的识别结果不等于触发事件；作用范围、活动状态、持续时间和通知冷却分别判断。

04合理衡量算力

每个画面都需要推理，同一画面的多条物体规则可以复用检测结果。少勾几类不会按比例降低一次 YOLO 的主要计算量，因此不设“五个对象”的硬上限。

更多画面、更高分析帧率以及 PPE 检查都会增加负载。用实际处理器运行情况和图像质量判断容量，不要把勾选数量直接当成 GPU 预算。