从深夜报警说起
上周三凌晨两点，手机突然被安防平台的误报警推送刷屏——监控里一只野猫触发了“入侵检测”，值班同事白跑一趟。这不是算法第一次“狼来了”，客户已经开始质疑系统的可靠性。翻开日志，发现YOLO把猫的边界框置信度调到了0.85以上，触发了报警阈值。问题不在模型本身，而在业务逻辑和阈值策略的脱节。
安防场景里，算法工程师容易陷入一个误区：只盯着mAP提升，却忘了业务场景的噪音远比COCO数据集复杂。今天我们就以YOLOv5/v7为例，聊聊安防三大核心任务——入侵检测、人群密度分析、异常行为识别——的实战经验和那些容易踩的坑。
入侵检测：别只依赖一个阈值
入侵检测听起来简单：画个ROI（感兴趣区域），有人或车进来就报警。但直接套用YOLO的默认输出，大概率会收获一堆误报。
# 典型错误示例：只靠类别和置信度就报警
def naive_intrusion_detection(results, roi)
