YOLO是可以直接实现一张图片检测多个目标对吗，支持多分类吗

Read , lines 1 to 80

两个都是「是」，但第二个有个重要限制。

1. 单图多目标 —— 是，而且不需要任何额外代码

YOLO 的输出不是「一张图一个结果」，而是 N 个 anchor 各带一套 (位置 + 所有类别分数)。我们的解码器 detect/yolo.rs::decode 就是逐 anchor 扫描：

for a in 0..anchors {              // 遍历 N 个 anchor
    // 在 80 个类别里找分数最高的
    for c in 0..num_classes {
        let s = out[(4 + c) * anchors + a];
        ...
    }
    if best_s < score_thr { continue; }
    raw.push(Detection { ... });    // 每个合格 anchor 都是一个独立目标
}

所以一帧里有多少只动物，就会返回多少个 Detection，天然支持多目标。multi-object 这件事在检测器层面是免费的 —— 真正要额外做的是多目标追踪（同一只鼠跨帧保持同一 ID），那就是我们已经实现的部分。

顺带：NMS 是按 class_id 分组的（k.class_id == d.class_id），这是标准做法 —— 避免「一只鼠被识别成 cat 和 dog 两个框」时它们因为 IoU 高而互相压制掉其中一个。

2. 多分类 —— 支持，但当前代码只取 Top-1

先说支持什么：

• 网络的输出确实是完整的 80 维类别分数（rows = 4 + num_classes）；
• 类名从 ONNX metadata 自动读取，所以换成「mouse / immobile / rearing」这种自训练类别也能直接用；
• 追踪器按 class_id 做匹配门控（self.tracks[ti].class_id != d.class_id → 禁配），不会把不同类别串到一起。

但有一个真实限制：解码时每个 anchor 只保留分数最高的那一类：

let mut best_c = 0usize;
let mut best_s = 0.0f32;
for c in 0..num_classes {
    if s > best_s { best_s = s; best_c = c; }   // ← 只留最大值
}

这意味着：

对 TST 使用场景，这个限制基本无害，因为检测器只负责「找出鼠在哪」，行为分类（不动/活动）是后面 0.5 s 窗口 + XGBoost 做的独立任务，两者不共用一套类别。

需要改的话，改动很小

如果你想做真正的 multi-label（同一目标保留多个类别），decode 里把内层循环改成收集所有超阈值的类别即可：

for c in 0..num_classes {
    let s = out[(4 + c) * anchors + a];
    if s >= score_thr {
        raw.push(Detection { bbox, score: s, class_id: c });
    }
}

代价是检测数量会成倍增长，NMS 之后的 max_det=100 更容易被打满，需要相应调高。

顺便注意到你刚才跑的是：

./target/release/rodent-act track -i TST.mp4 --detector yolo --class-name any --min-hits 1

用了真实的 TST.mp4，且 --class-name any + --min-hits 1（最宽松设置）。这个结果是 COCO 模型在真实悬尾画面上的鲁棒性/可用性基线，拿到它的数字应该会很有参考价值。要我把 ST 这一步的结果解读一下，或者跑一次 --min-hits 1 和 --class-name mouse 的对照，看 COCO 模型在真实 TST 素材上的具体命中率吗？