企业官网建设流程全解析

Jasna 模型选型与配置指南：给每段视频和每张图片配对的模型

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

Jasna 是一个视频与图片马赛克修复工具：逐帧找到马赛克、修好它、再写回画面。一次任务里它要同时调度四类模型——负责"找马赛克"的检测模型、负责"修好"的主修复模型（BasicVSR++ 或 LTX）、负责"放大修好的小图"的二次修复模型，以及专门处理静态图片的 SD 1.5。每类模型的显卡门槛、许可证要求和下载体积各不相同。

这份 Jasna 模型选型指南按你的决策路径组织：先按场景查该用哪个模型，再核硬件门槛，然后处理下载与放置，最后按症状调参。你的情况是"日常批处理"→ 看第 1 节；"LTX 能不能跑"→ 看第 2 节；"下载失败怎么办"→ 看第 3 节。

先装哪个：按使用场景查

一次 Jasna 任务中四类模型可以各司其职，按场景对号入座：

CLI 侧，--restoration-model-name取三个值：basicvsrpp、ltx（标准，蒸馏 8 步）、ltx-undistilled（最佳，完整去噪步数，约慢 1.5 倍）。映射关系定义在CLI_RESTORATION_MODELS（jasna/main.py）。

检测模型一栏的完整对照（配置来自RFDETR_MODEL_CONFIGS，jasna/mosaic/detection_registry.py）：

在 AMD 上 RF-DETR 比 NVIDIA 慢：如果速度比检测质量更重要，选lada-yolo-v4。

硬件能不能跑：各模型门槛清单

GPU 型号

• BasicVSR++：所有受支持的 GPU（NVIDIA / AMD）。
• LTX：NVIDIA RTX 30 / 40 / 50 系列；RTX 20 系列应该可用，但只测试过 RTX 2080 Ti；GTX 16 系列未测试；不支持 AMD。
• 二次修复：unet-4x、rtx-super-res、tvai均仅限 NVIDIA；TVAI 还需要付费的 Topaz Video，且只支持 Windows。
• SD 1.5：无额外 GPU 系列限制，主要看显存。

显存与内存

磁盘

模型均不随 Jasna 附带，首次使用时按需下载：

权重从哪下、放哪里、如何校验

检测权重：丢进 model_weights/ 即被识别

约定集中在 jasna/mosaic/detection_registry.py：

• 后缀由显卡厂商决定：NVIDIA 用.onnx（会编译为 TensorRT 引擎），AMD 直接跑训练好的 torch 检查点.pt（见rfdetr_weights_suffix()）。
• discover_available_detection_models()扫描model_weights/，把后缀匹配、文件名合法的 RF-DETR 权重和 YOLO 权重（如lada_mosaic_detection_model_v4_fast.pt）解析成可用模型名。
• 也就是说：下载文件 → 放进model_weights/→ GUI 下拉框和 CLI 直接可用，无需额外配置。
• 首次使用前，NVIDIA 会通过precompile_detection_engine()把模型预编译为 TensorRT 引擎，YOLO 在 NVIDIA 上同样走该流程（jasna/mosaic/yolo_tensorrt_compilation.py）。

内置：rfdetr-v6、rfdetr-vr-v1。需单独下载：rfdetr-v6-large（NVIDIA 放rfdetr-v6-large.onnx，AMD 放rfdetr-v6-large.pt）、zelefans-vr-yolo-v2、lada-yolo-v4。

LTX：三个文件，自动下载带镜像回退

路径约定在 jasna/engine_paths.py：LTX 默认权重目录是model_weights/ltx-restore，BasicVSR++ 则是model_weights/lada_mosaic_restoration_model_generic_v1.2.pth。

一个 LTX 模型组合 = 1 个变换器文件 + 2 个共享 VAE 文件：

自动下载行为（jasna/ltx/model_files.py 的download_files()）：

• 每个文件带 sha256 校验和，不匹配的文件会被删除并报"corrupted"。
• 主源不可达时在 huggingface.co 与 hf-mirror.com 之间自动回退；界面语言为中文时mirror_first=True，优先走镜像（jasna/main.py、jasna/gui/ltx_models.py）。
• LtxModelFiles.from_dir()按所选组合检查文件是否齐全，缺哪个会报出具体文件名；.enc加密文件在打开时还要求许可证校验通过（open_ltx_tensors+check_ltx_license）。

下载失败时手动放置权重

用浏览器从 Kruk2/ltx-restore 仓库（huggingface.co 或 hf-mirror.com 均可）下载，共 3 个文件：所选模型的变换器 1 个 + 2 个 VAE 文件。文件名保持原样（含.enc），全部放入 Jasna 文件夹的model_weights/ltx-restore（没有该目录就新建）。重新开始 LTX 任务，不会再要求下载。

SD 1.5：约 6.9 GB，先询问再下载

不包含在下载包中。图片修复首次触发时，Jasna 先询问，再从 Kruk2/sd-15-jav 仓库（huggingface.co）下载，提示中标注约 6.9 GB（jasna/restorer/sd15_download.py）。权重落在model_weights/sd-15-jav/（jasna/engine_paths.py）。

动手调参：按症状开药方

检测：马赛克漏检或误检

每个模型有自己的默认阈值（jasna/mosaic/detection_registry.py 的recommended_score_threshold()：rfdetr-v6为 0.35，rfdetr-v6-large与rfdetr-vr-v1为 0.40，YOLO 模型 0.25），不显式指定时自动取该值，取值范围 0–1：

• 漏检马赛克 → 调低阈值
• 正常区域被误检 → 调高阈值

# 何时用：切换检测模型，或默认阈值不合适时 jasna --input input.mp4 --output output.mkv --detection-model rfdetr-v6 --detection-score-threshold 0.35

在区间编辑器中，可以为每个视频分别选择检测模型。

LTX：先跑试用，再动四个开关

没许可证、没模型也能先测速：--ltx-trial以全速运行 LTX，视频不会被修复，但耗时接近真实运行——试用模式用PlaceholderTensors生成"真实张量名、形状与 dtype、随机值"的占位权重，走完整推理路径（jasna/ltx/model_files.py，LTX_TRIAL_NOTICE明确提示输出不会被修复）。

常用开关：

大画布的实现（jasna/ltx/plan.py）：裁剪区域最大边超过 640 px（LARGE_CANVAS_MIN_SIDE）时，画布从 512 提升到 768（LARGE_CANVAS）；时间窗口默认用更大步长（LESS_OVERLAP_WINDOW_HOP = 104，原为WINDOW_HOP = 88），窗口帧数不变、重叠减少。

种子控制结果一致性：默认 20260923（jasna/session_config.py 的LTX_DEFAULT_SEED），同种子同设置得同结果：

# 何时用：想复现/对比某一版效果 jasna --input input.mp4 --output output.mkv --restoration-model-name ltx --ltx-seed 7

长视频可让 LTX 只处理大马赛克，其余交给更快的 BasicVSR++：

# 何时用：长视频里马赛克大小混杂，想省时间 jasna --input videos/ --output restored/ --restoration-model-name ltx --ltx-auto-split 12

其中 12 是马赛克占视频高度的百分比，默认同为 12（LTX_AUTO_DEFAULT_PERCENT）。

预期耗时（1 分钟 1080p、马赛克一直在画面中，标准模型；最佳约需 1.5 倍时间；没有马赛克的场景快得多）：

第一次运行要为你的 GPU 做准备，更慢。进度条分四步：查找马赛克、准备、修复、保存；在你的 GPU 上第一次（以及每次更新后第一次）处理 LTX 视频时先做一次简短速度测试，第 1 步结束后剩余时间就是准确的。其他应用占用 GPU 时 LTX 会变慢，关闭游戏和浏览器。

要预览 LTX：打开区间编辑器 → 选一个区间 → 选 LTX → 打开修复预览。注意视频播放器总是使用 BasicVSR++。

二次修复：特写发糊怎么办

每个马赛克先被修成一张 256×256 的图（jasna/restorer/basicvsrpp_mosaic_restorer.py 的返回值签名即(T, C, 256, 256)）。特写和 4K 上可能发糊；二次模型先把这张补丁放大到 512×512 或 1024×1024 再贴回画面。仅限 NVIDIA，使用 LTX 时不会用到。

# 何时用：特写/4K 结果偏糊，加最快的免费选项 jasna --input input.mp4 --output output.mkv --secondary-restoration rtx-super-res

三个选项（--secondary-restoration取值，默认none）：

两段 1080p 视频的实测对比（BasicVSR++ 路径，Jasna 二次修复对比）：

用 TVAI 时，把TVAI_MODEL_DATA_DIR和TVAI_MODEL_DIR指向你的 Topaz Video 模型文件夹：jasna/restorer/tvai_secondary_restorer.py 在启动时严格校验，未设置或指向不存在的目录都会直接抛错；Topaz 的其他设置用--tvai-args传。

SD 1.5：图片多生成几个候选再挑

图片输入自动路由到 SD 1.5，无需设置--restoration-model-name（--image-restoration-model-name的默认与唯一取值都是sd-15-jav）：

# 何时用：修一张图 jasna --input photo.png --output restored.png

这个模型是实验性的，不同图片效果差别很大，但有些非常好。多生成几个版本，保留最好的：

# 何时用：单张图想对比多种结果 jasna --input photo.png --output restored.png --sd15-variants 4

会保存name_v1…name_vN多个版本，种子依次为seed…seed+N-1。常用选项与默认值（完整清单见 docs/zh/cli.md 的 SD 1.5 章节）：

在 GUI 里逐个尝试种子，见 docs/zh/gui.md 的"逐张处理图片"。

边界与常见坑

• 许可证边界：LTX、UNet 4x、SD 1.5 均支持者专享，一个 25 美元许可证码同时包含三者。没有许可证时，GUI 会把 LTX 改为提供试用模式（速度测试），CLI 则报错停止。
• LTX 互斥项：使用 LTX 时二次修复与降噪关闭，也不支持流媒体。--restoration-model-name ltx与--stream、--secondary-restoration、--denoise同时出现，CLI 启动即报错（jasna/main.py）；LTX 专用开关也不能与basicvsrpp混用，反之亦然（--compile-basicvsrpp仅属 BasicVSR++）。
• VR180 SBS：左右并排 VR 视频不支持 LTX，jasna/vr180.py 的require_ltx_input()会抛出"请用 BasicVSR++ 修复"。
• TVAI：仅 Windows，且依赖付费软件 Topaz Video。
• Windows + Windhawk：Windhawk 被加载进 Jasna 时，LTX 会因"拒绝访问"失败。退出 Windhawk，或把jasna.exe加入它的排除进程列表；Jasna 启动时会提示这一点。

收尾：决策问答

• Q：第一次用，不知道该选什么？A：全部用默认。rfdetr-v6+ BasicVSR++ 内置、免费，NVIDIA 和 AMD 都能跑。

• Q：AMD 卡，检测要快？A：用lada-yolo-v4。RF-DETR 在 AMD 上偏慢；检测质量优先则留在内置rfdetr-v6。

• Q：NVIDIA RTX，只有少数几个重点视频？A：先--ltx-trial测一次速度心里有数；可接受再上--restoration-model-name ltx。长视频加--ltx-auto-split 12，让 LTX 只处理大马赛克。

• Q：4K 或特写修出来发糊？A：加--secondary-restoration。免费且快选rtx-super-res，追求质量选unet-4x（需许可证），或tvai（Windows + Topaz Video）。

• Q：VR180 视频？A：BasicVSR++ +rfdetr-vr-v1。LTX 不考虑（SBS 不支持）。

• Q：一张静态图片？A：直接丢给 Jasna，自动走 SD 1.5；需许可证、约 7 GB 显存、模型约 6.9 GB。建议--sd15-variants 4出多个候选再挑。

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