安防监控YOLO全栈方案：人员入侵检测+行为分析+跟踪算法一体化实现

在园区、厂区、社区、机房等安防场景中，传统移动侦测方案长期被误报率高的问题困扰：光影变化、风吹树叶、猫狗穿行、蚊虫飞影都会触发告警，值班人员每天要处理上百条无效告警，真正的入侵事件反而被淹没。基于YOLO的智能分析方案，通过精准的人员检测、连续的目标跟踪、可配置的行为规则，能将误报率降低90%以上，实现从“事后回溯”到“事前预警”的升级。

本文从架构设计、算法优化、规则引擎、工程落地四个维度，拆解一套可直接复用的安防智能检测方案，覆盖人员检测、多目标跟踪、入侵/越界/聚集三类核心行为分析，适配多路RTSP摄像头与边缘端部署。

一、方案整体架构与核心需求

1.1 安防场景的核心诉求

安防落地和算法实验有本质区别，核心优先级是低误报 > 高召回 > 实时性 > 极致精度：

• 低误报是底线：误报太多会导致值班人员麻痹，最终系统形同虚设
• 高召回保安全：真实入侵事件不能漏，宁可误报不可漏报
• 多路并发能力：单台边缘设备要支持8~16路摄像头，降低单点成本
• 7×24小时稳定：程序不能崩溃、不能内存泄漏、断流后要自动恢复

1.2 四层一体化架构

整套方案从下到上分为四层，各层解耦，支持横向扩容与规则灵活配置：

#mermaid-svg-x2Z9MpOpTIXccXVW{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-x2Z9MpOpTIXccXVW .error-icon{fill:#552222;}#mermaid-svg-x2Z9MpOpTIXccXVW .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-x2Z9MpOpTIXccXVW .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-x2Z9MpOpTIXccXVW .marker{fill:#333333;stroke:#333333;}#mermaid-svg-x2Z9MpOpTIXccXVW .marker.cross{stroke:#333333;}#mermaid-svg-x2Z9MpOpTIXccXVW svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-x2Z9MpOpTIXccXVW p{margin:0;}#mermaid-svg-x2Z9MpOpTIXccXVW .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster-label text{fill:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster-label span{color:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster-label span p{background-color:transparent;}#mermaid-svg-x2Z9MpOpTIXccXVW .label text,#mermaid-svg-x2Z9MpOpTIXccXVW span{fill:#333;color:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW .node rect,#mermaid-svg-x2Z9MpOpTIXccXVW .node circle,#mermaid-svg-x2Z9MpOpTIXccXVW .node ellipse,#mermaid-svg-x2Z9MpOpTIXccXVW .node polygon,#mermaid-svg-x2Z9MpOpTIXccXVW .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-x2Z9MpOpTIXccXVW .rough-node .label text,#mermaid-svg-x2Z9MpOpTIXccXVW .node .label text,#mermaid-svg-x2Z9MpOpTIXccXVW .image-shape .label,#mermaid-svg-x2Z9MpOpTIXccXVW .icon-shape .label{text-anchor:middle;}#mermaid-svg-x2Z9MpOpTIXccXVW .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-x2Z9MpOpTIXccXVW .rough-node .label,#mermaid-svg-x2Z9MpOpTIXccXVW .node .label,#mermaid-svg-x2Z9MpOpTIXccXVW .image-shape .label,#mermaid-svg-x2Z9MpOpTIXccXVW .icon-shape .label{text-align:center;}#mermaid-svg-x2Z9MpOpTIXccXVW .node.clickable{cursor:pointer;}#mermaid-svg-x2Z9MpOpTIXccXVW .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-x2Z9MpOpTIXccXVW .arrowheadPath{fill:#333333;}#mermaid-svg-x2Z9MpOpTIXccXVW .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-x2Z9MpOpTIXccXVW .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-x2Z9MpOpTIXccXVW .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-x2Z9MpOpTIXccXVW .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-x2Z9MpOpTIXccXVW .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-x2Z9MpOpTIXccXVW .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster text{fill:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW .cluster span{color:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-x2Z9MpOpTIXccXVW .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-x2Z9MpOpTIXccXVW rect.text{fill:none;stroke-width:0;}#mermaid-svg-x2Z9MpOpTIXccXVW .icon-shape,#mermaid-svg-x2Z9MpOpTIXccXVW .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-x2Z9MpOpTIXccXVW .icon-shape p,#mermaid-svg-x2Z9MpOpTIXccXVW .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-x2Z9MpOpTIXccXVW .icon-shape .label rect,#mermaid-svg-x2Z9MpOpTIXccXVW .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-x2Z9MpOpTIXccXVW .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-x2Z9MpOpTIXccXVW .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-x2Z9MpOpTIXccXVW :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

业务告警层

规则引擎层

算法推理层

采集接入层

RTSP网络摄像头

NVR硬盘录像机

本地USB摄像头

视频硬解码

YOLO人员检测

ByteTrack多目标跟踪

目标属性过滤

区域入侵规则

越界检测规则

人员聚集规则

徘徊检测规则

告警降噪过滤

告警抓拍与录像

平台/手机端推送

声光报警联动

事件日志存储

二、人员检测模型：安防场景定向优化

通用YOLO模型直接用在安防场景，往往会出现大量误检和漏检：夜间红外画面识别率骤降、远处小目标行人漏检、猫狗/光影被误判为人。必须针对安防场景做定向优化。

2.1 模型选型：平衡精度与多路并发

安防场景普遍需要多路同时推理，单路帧率不需要太高，10~15FPS即可满足实时要求，因此优先选择轻量模型，把算力留给更多路数。

选型原则：优先用n/s级模型，通过场景优化补精度，不要盲目上大模型。安防场景90%的问题都不是模型容量不够，而是场景适配不足。

2.2 安防场景专项训练优化

2.3 ROI感兴趣区域：提速+降误报双收益

安防摄像头大多只有部分区域是防范重点，比如围墙、出入口，其余区域（天空、墙壁、远处道路）不需要检测。通过ROI裁剪，只把指定区域送入模型推理：

• 性能收益：有效区域减半，推理速度几乎翻倍
• 误报收益：排除无关区域的干扰目标，从源头减少误报
• 实现方式：预处理时裁剪ROI区域，推理后把坐标映射回原图；也可以全图推理后，只保留ROI内的目标

import cv2
import numpy as np

def is_in_roi(box, roi_polygon):
"""判断目标中心点是否在ROI多边形内"""
cx = (box[0] + box[2]) / 2
cy = (box[1] + box[3]) / 2
# 点在多边形内判断
return cv2.pointPolygonTest(np.array(roi_polygon, np.int32), (cx, cy), False) >= 0

# 配置ROI区域，多边形顶点坐标，可通过可视化工具标定
roi_area = [(100, 200), (500, 200), (600, 400), (50, 400)]

2.4 边缘端轻量化适配

量产部署必须做模型量化，在几乎不损失精度的前提下大幅提升路数：

• INT8量化：用现场真实采集的图片做校准集，覆盖不同时段、不同光照，量化后速度提升60%~80%
• 结构化剪枝：针对骨干网络冗余通道剪枝30%，精度损失小于1%，路数再提升20%
• 算子优化：替换掉边缘芯片不支持的算子，避免回退到CPU计算

三、多目标跟踪：从单帧检测到连续轨迹

只靠单帧检测做行为判断，会出现大量误触发：目标一闪而过、单帧误检、目标断断续续。加入跟踪算法后，每个目标拥有唯一ID和连续轨迹，既能平滑检测结果，又能支撑各类行为规则判断。

3.1 跟踪的核心价值

3.2 ByteTrack：安防场景首选轻量跟踪

工业安防场景优先选择ByteTrack，它的优势完全匹配安防需求：

• 极致轻量，单路跟踪耗时不到1ms，几乎不增加算力负担
• 对检测框置信度要求低，低分框也能参与跟踪，遮挡、模糊目标的跟踪连续性更好
• 原理简单、易部署、无额外依赖，和YOLO适配度极高

核心集成流程

from yolox.tracker.byte_tracker import BYTETracker

# 初始化跟踪器
tracker = BYTETracker(
track_thresh=0.3, # 检测置信度阈值
track_buffer=30, # 轨迹缓存帧数，目标消失后保留30帧
match_thresh=0.8, # 匹配阈值
frame_rate=30
)

# 推理循环中，每帧检测结果传入跟踪器
results = model(frame)
dets = []
for box in results[0].boxes:
x1, y1, x2, y2 = box.xyxy[0].tolist()
conf = float(box.conf[0])
cls = int(box.cls[0])
if cls == 0: # 只保留行人类别
dets.append([x1, y1, x2, y2, conf])

# 更新跟踪器，得到带ID的目标
online_targets = tracker.update(np.array(dets), [640, 640], frame.shape[:2])
for t in online_targets:
tlwh = t.tlwh
tid = t.track_id # 唯一跟踪ID
# 基于ID保存轨迹历史
track_history[tid].append((tlwh[0]+tlwh[2]/2, tlwh[1]+tlwh[3]/2))

3.3 跟踪效果优化

四、行为规则引擎：落地的核心价值

检测和跟踪是基础能力，真正产生业务价值的是行为规则判断。安防场景80%的需求都可以通过四类基础规则覆盖，所有规则支持可视化配置，不需要改代码。

4.1 区域入侵检测

最常用的规则：划定禁止进入的区域（如机房、围墙内、危险品区），人员进入即触发告警。

• 实现逻辑：判断目标中心点是否在多边形区域内
• 进阶配置：支持进入方向、最小停留时长、目标大小过滤
• 告警触发：目标进入区域且持续N帧（默认3帧）后触发

def check_region_intrusion(track_id, center_point, roi_polygon, min_frames=3):
"""区域入侵检测"""
in_region = cv2.pointPolygonTest(np.array(roi_polygon, np.int32), center_point, False) >= 0

if in_region:
if track_id not in intrusion_counter:
intrusion_counter[track_id] = 1
else:
intrusion_counter[track_id] += 1
# 连续多帧在区域内才告警
if intrusion_counter[track_id] == min_frames:
return True
else:
if track_id in intrusion_counter:
del intrusion_counter[track_id]
return False

4.2 越界检测

用于周界防范，比如翻越围墙、单向出入口逆行。划定一条警戒线段，目标从指定方向跨过线段即告警。

• 实现逻辑：对比目标当前帧和上一帧的位置，判断轨迹是否与警戒线段相交，且方向符合告警条件
• 支持双向越界、单向越界两种模式

4.3 人员聚集检测

用于广场、通道、密闭空间的人数超限预警，防止踩踏、违规聚集。

• 实现逻辑：统计指定区域内有效跟踪目标的数量，超过阈值且持续N帧触发告警
• 优化点：通过跟踪ID去重，避免同一个人被重复统计；排除尺寸过小的远距离目标

4.4 徘徊检测

用于敏感区域的异常滞留检测，比如银行、金库门口，人员长时间停留触发预警。

• 实现逻辑：记录每个目标在区域内的累计停留时长，超过设定阈值（如30秒）触发告警
• 优化点：目标短暂离开区域再返回，可配置是否累计时长；排除正常通行的快速移动目标

4.5 告警降噪机制

这是决定系统好不好用的关键环节，直接决定误报率高低：

五、工程化落地：多路并发与边缘部署

5.1 多路视频流流水线架构

单设备多路并发，采用“独立拉流 + 统一批量推理 + 分路跟踪规则”的架构，最大化GPU/NPU利用率：

#mermaid-svg-CXYZDyXk0t2FiVOR{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-CXYZDyXk0t2FiVOR .error-icon{fill:#552222;}#mermaid-svg-CXYZDyXk0t2FiVOR .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-CXYZDyXk0t2FiVOR .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-CXYZDyXk0t2FiVOR .marker{fill:#333333;stroke:#333333;}#mermaid-svg-CXYZDyXk0t2FiVOR .marker.cross{stroke:#333333;}#mermaid-svg-CXYZDyXk0t2FiVOR svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-CXYZDyXk0t2FiVOR p{margin:0;}#mermaid-svg-CXYZDyXk0t2FiVOR .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster-label text{fill:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster-label span{color:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster-label span p{background-color:transparent;}#mermaid-svg-CXYZDyXk0t2FiVOR .label text,#mermaid-svg-CXYZDyXk0t2FiVOR span{fill:#333;color:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR .node rect,#mermaid-svg-CXYZDyXk0t2FiVOR .node circle,#mermaid-svg-CXYZDyXk0t2FiVOR .node ellipse,#mermaid-svg-CXYZDyXk0t2FiVOR .node polygon,#mermaid-svg-CXYZDyXk0t2FiVOR .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-CXYZDyXk0t2FiVOR .rough-node .label text,#mermaid-svg-CXYZDyXk0t2FiVOR .node .label text,#mermaid-svg-CXYZDyXk0t2FiVOR .image-shape .label,#mermaid-svg-CXYZDyXk0t2FiVOR .icon-shape .label{text-anchor:middle;}#mermaid-svg-CXYZDyXk0t2FiVOR .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-CXYZDyXk0t2FiVOR .rough-node .label,#mermaid-svg-CXYZDyXk0t2FiVOR .node .label,#mermaid-svg-CXYZDyXk0t2FiVOR .image-shape .label,#mermaid-svg-CXYZDyXk0t2FiVOR .icon-shape .label{text-align:center;}#mermaid-svg-CXYZDyXk0t2FiVOR .node.clickable{cursor:pointer;}#mermaid-svg-CXYZDyXk0t2FiVOR .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-CXYZDyXk0t2FiVOR .arrowheadPath{fill:#333333;}#mermaid-svg-CXYZDyXk0t2FiVOR .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-CXYZDyXk0t2FiVOR .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-CXYZDyXk0t2FiVOR .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-CXYZDyXk0t2FiVOR .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-CXYZDyXk0t2FiVOR .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-CXYZDyXk0t2FiVOR .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster text{fill:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR .cluster span{color:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-CXYZDyXk0t2FiVOR .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-CXYZDyXk0t2FiVOR rect.text{fill:none;stroke-width:0;}#mermaid-svg-CXYZDyXk0t2FiVOR .icon-shape,#mermaid-svg-CXYZDyXk0t2FiVOR .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-CXYZDyXk0t2FiVOR .icon-shape p,#mermaid-svg-CXYZDyXk0t2FiVOR .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-CXYZDyXk0t2FiVOR .icon-shape .label rect,#mermaid-svg-CXYZDyXk0t2FiVOR .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-CXYZDyXk0t2FiVOR .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-CXYZDyXk0t2FiVOR .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-CXYZDyXk0t2FiVOR :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

拉流线1

拉流线2

拉流线N

帧汇总队列

批量推理线程

结果分路

跟踪器1

跟踪器2

跟踪器N

规则引擎1

规则引擎2

规则引擎N

告警汇总输出

核心设计要点：

• 每路视频独立拉流、独立跟踪、独立规则，互不干扰
• 所有路的帧汇总后做批量推理，把硬件算力跑满
• 每路队列设置最大长度，满了就丢老帧，保证实时性

5.2 全链路性能优化

5.3 边缘端部署方案

主流安防边缘硬件的落地配置参考：

5.4 告警联动与业务对接

检测到违规事件后，需要和安防业务流程打通：

• 抓拍取证：自动保存告警前后3~5秒的视频片段和高清截图，关联事件ID
• 多端推送：告警信息推送到值班客户端、手机APP、企业微信/钉钉
• 硬件联动：触发声光报警器、云台摄像头自动转向告警区域、门禁联动锁闭
• 日志管理：所有事件存入数据库，支持按时间、地点、类型检索回溯

六、实测效果与性能数据

以园区周界入侵场景为例，部署优化后的方案和传统移动侦测对比：

七、高频踩坑与避坑指南

7.1 夜间红外画面效果骤降

• 问题：通用模型基于可见光训练，红外画面灰度反转、纹理特征差异大，漏检误检激增
• 解决：补充现场夜间红外样本微调；训练时加入灰度化、对比度扰动增强；夜间可适当调低检测置信度阈值

7.2 光影、树枝晃动导致误报

• 问题：阳光移动、树影晃动、云影飘过，容易被误判为移动目标
• 解决：加入大量光影负样本训练；提高告警持续帧阈值；结合目标宽高比、尺寸过滤，排除不符合行人比例的目标

7.3 目标遮挡后ID跳变

• 问题：行人经过柱子、树木遮挡后，跟踪ID变更，导致计数错误、轨迹中断
• 解决：调大跟踪器的缓存帧数；加入轨迹平滑预测；遮挡时间短的情况下，优先保留原有ID

7.4 多路场景延迟越跑越高

• 问题：推理速度跟不上拉流速度，队列堆积，延迟越来越大
• 解决：所有队列设置最大长度，满了丢弃最老帧；开启跳帧检测策略；监控队列长度，异常时自动降级

7.5 摄像头角度差异大效果不均

• 问题：俯视摄像头目标小、平视摄像头目标大，同一模型效果差异大
• 解决：按摄像头角度分别微调模型；配置不同的检测分辨率和目标尺寸过滤阈值；大角度俯视场景专门优化小目标检测