目标分类

目标分类属于 Securex NVR 的“增强识别（Enrichments）”能力：它通常在基础目标检测之后运行，把已检测对象进一步识别成姓名、车牌、类别或可搜索语义。要先保证基础 person/car 等目标检测稳定，再开启增强。

前置条件

基础目标检测正常，相关对象类别已在 track 中。
模型缓存目录可写；首次使用某些增强模型时可能需要联网下载，之后可离线运行。
CPU/GPU/NPU 有足够余量，避免增强任务拖慢检测主链路。

配置思路

先在“设置 → Enrichments/增强”中全局启用，再按摄像头决定是否关闭。对只需要在门口做人脸、车道做车牌的系统，不必在全部摄像头启用。

数据质量决定效果

目标在画面中必须足够大、清晰、不过曝。
夜间红外反光、运动模糊和过度压缩都会显著降低二次识别准确率。
识别错误时先检查图像质量和目标尺寸，再调整阈值。

性能规划

增强识别和目标检测是不同工作负载。可以让 Coral/NPU 负责目标检测，同时让 Intel/NVIDIA GPU 承担语义、人脸或 OCR 等增强任务。多路高分辨率增强时要观察 GPU/CPU、RAM 和处理队列。

验证

在单台摄像头启用。
找一段明确可见的真实事件。
在 Review/Explore 查看 sub_label、识别结果或相似搜索结果。
确认结果稳定后再扩展到其他摄像头。

Object Classification

Object Classification is an enrichment feature that runs after base object detection. It adds identity, plate text, subclasses, or semantic information to already tracked objects. Stabilize person/vehicle detection before enabling enrichments.

Prerequisites

Base object detection is healthy and relevant labels are tracked.
Model-cache storage is writable; some enrichment models need a one-time download before offline use.
CPU/GPU/NPU headroom is available.

Deployment pattern

Enable the enrichment globally, then disable it on cameras that do not need it. A face model may only be useful at entrances; LPR may only be useful on driveway cameras.

Image quality drives accuracy

Targets must be large enough and readable.
IR glare, motion blur, and heavy compression reduce secondary recognition accuracy.
Inspect source image quality before chasing thresholds.

Performance planning

Enrichment is a separate workload from base detection. A Coral/NPU can run object detection while an Intel/NVIDIA GPU runs semantic, face, or OCR tasks.

Verification

Enable on one camera.
Use a clearly visible real event.
Inspect Review/Explore for sub-labels or enrichment results.
Scale out only after the result is stable.

Clasificación de objetos

Clasificación de objetos es una función de enriquecimiento que se ejecuta después de la detección básica. Añade identidad, matrícula, subclase o información semántica a objetos ya seguidos.

Requisitos

Detección base estable.
Caché de modelos escribible; algunos modelos requieren una descarga inicial.
Recursos suficientes de CPU/GPU/NPU.

Despliegue

Active globalmente y desactive por cámara cuando no sea necesario.

Calidad de imagen

El objetivo debe ser suficientemente grande y legible.
IR, desenfoque y compresión reducen precisión.
Revise primero la imagen antes de cambiar umbrales.

Rendimiento

El enriquecimiento es una carga distinta de la detección. Puede repartir trabajos entre Coral/NPU y GPU.

Verificación

Active una cámara.
Use un evento claro.
Revise resultados en Review/Explore.
Amplíe después de validar.