核心用法
Kami Package Detection 是一款面向智能家居与安防监控的本地 AI 技能，基于 YOLO-World ONNX 模型对 RTSP 摄像头流进行实时分析，专注检测包裹、纸箱、背包、行李箱等目标。与单次检测工具不同，该技能采用持续监控模式，通过后台进程 24/7 运行，仅在检测到 genuinely new（位置或尺寸显著变化）的包裹时触发告警。
部署流程简洁：运行 setup.sh 创建 Python 3.10 虚拟环境并安装依赖，配置 config.json 中的摄像头 RTSP 地址与推送通道（Feishu/Telegram/Discord），执行 --start-detect 即可启动后台检测。支持多摄像头独立进程管理，每个摄像头可配置独立置信度阈值与运行时长。
显著优点
- 智能去重机制：结合 IoU（交并比）与面积变化算法，避免对静止包裹重复告警，显著降低通知疲劳
- 静态帧过滤：当画面无变化时自动跳过推理，节省 60-90% 计算资源
- 纯本地推理：YOLOv8s-World 模型完全在边缘设备运行，无云端 AI 调用，隐私可控
- 多生态通知：原生支持飞书、Telegram、Discord 三大主流 IM 推送，满足家庭与企业场景
- 灵活配置层级：CLI 参数 >
config.json> 内置默认，支持单摄像头快速调试与多摄像头批量部署
潜在局限与风险
- 硬件门槛：最低需 2GB 内存 + 2 核 CPU，ARM64 设备需注意 ONNX Runtime 兼容性；GPU 仅加速可选
- 模型精度依赖：YOLO-World 作为开放词汇检测器，对"包裹"等通用类别的定义较宽泛，可能将行李箱、背包误报为包裹
- 无云端协同：缺乏集中式历史记录与跨设备同步，告警数据仅输出至 stdout，需外部系统承接存储
- RTSP 稳定性：网络波动或摄像头重启可能导致流中断，当前版本未明确提及自动重连机制
- 隐私合规：虽为本地处理，但摄像头画面流经内存解析，共享服务器部署时需警惕多租户隔离问题
适合人群
- Home Assistant 玩家：已搭建智能家居中枢，希望扩展包裹到达自动化（联动门锁、灯光）
- 小型电商/工作室：需低成本门禁包裹监控，替代人工查收
- 物业与仓储管理：多摄像头门口、前台、货区统一监控，要求低延迟本地告警
- 技术爱好者：愿意调试 RTSP 参数、ONNX 模型导出，追求隐私优先的 DIY 方案
常规风险
- 误报累积：门口常驻物品（地垫、花盆）若被模型识别为"纸箱"，可能持续触发告警，需调低置信度或自定义
class_names - 通知渠道单点：Webhook 失效或 IM 服务封禁将导致告警丢失，建议生产环境配置双通道冗余
- 模型漂移：长期运行后，季节光照变化、摄像头视角偏移可能降低检测稳定性，建议每季度复核校准