核心用法
基础目标检测技能是一款面向通用安防监控场景的AI分析工具，可对视频流或静态图片进行实时目标检测。用户通过提供本地视频文件、网络视频URL或图片，结合必要的身份认证(open-id)，即可触发自动化检测流程。技能内置完整的身份校验机制，强制要求从配置文件或用户输入获取有效open-id后方可执行。
检测流程：
1. 准备媒体输入（支持mp4/avi/mov视频或jpg/png/jpeg图片，最大100MB）
2. 按优先级获取open-id（配置文件 → 用户输入 → 强制提示）
3. 调用Python脚本执行检测，支持本地文件multipart上传或网络URL自动下载
4. 获取结构化检测报告，包含目标分类、数量统计、位置信息
历史报告查询：支持通过--list参数查询云端存储的历史检测报告，以Markdown表格形式输出，包含报告名称、检测时间、目标总数及直达链接。
显著优点
- 多目标覆盖全面：同时检测人员、车辆、非机动车、宠物（猫/狗）、包裹五大类目标，满足通用安防需求
- 灵活媒体支持：兼容本地文件上传与网络URL直传，API服务端自动处理下载
- 结构化输出：提供basic/standard/json三级详细程度，便于系统集成与人工判读
- 云端持久化：检测报告自动关联用户open-id云端存储，支持历史追溯与批量查询
- 置信度可控：支持0-1区间阈值调节，平衡检出率与误报率
- 身份安全机制：强制open-id校验流程，避免匿名调用与数据泄露风险
潜在缺点与局限性
- 依赖外部API：检测能力完全依赖后端云服务，离线环境无法使用，存在网络延迟
- open-id获取繁琐：多级配置检查机制虽安全但增加使用门槛，无配置时需人工输入
- 检测类别固定：仅支持预定义的五类目标，不支持自定义类别扩展
- 无实时视频流处理：文档描述支持"视频流"，但实际参数设计为文件/URL批量处理，非真正的实时流分析
- 中文文档表述模糊："非机动车"界定不清晰，小型电动车与自行车的区分标准未明确
- 历史报告无本地缓存：强制云端查询策略在API故障时完全无法获取历史记录
适合人群
- 物业/园区安防管理员：需要定期巡查监控视频，统计人车进出情况
- 仓库/物流监管人员：关注包裹异常、人员闯入、车辆作业等场景
- 中小型企业IT部门：快速搭建轻量级智能监控系统，无AI算法开发能力
- 社区网格员：接收结构化告警，替代人工值守监控屏幕
常规风险
- 隐私合规风险：人员检测涉及人脸/人体图像采集，需确保符合《个人信息保护法》及当地监控法规，建议部署显著告知标识
- 数据跨境风险：若API服务部署在境外，视频内容上传可能违反数据本地化要求
- 误报依赖风险：置信度阈值设置不当可能导致漏检或频繁误报，关键场景需人工复核
- 认证信息泄露：config.yaml中明文存储的api-key/open-id若权限管理不当，可能导致历史报告数据被越权访问
- 服务可用性风险：完全依赖云端API，服务商故障或配额耗尽时将导致检测能力完全中断
技术实现说明
技能通过Python脚本封装RESTful API调用，本地文件采用multipart/form-data上传，网络资源由服务端异步下载处理。检测采用基于深度学习的通用目标检测模型（推测为YOLO系列或类似架构），默认置信度阈值0.5，输出COCO格式兼容的边界框坐标与类别标签。历史报告系统通过open-id实现多租户数据隔离，reportImageUrl字段提供可视化报告的直接访问。