我之前训练过一个 YOLO v4 对象检测模型，我希望利用这个模型的结果（Bboxes）并创建另一个模型来识别/分类闭路电视录像/视频中的事故（希望是实时的）。

我正在考虑将对象检测结果中的边界框作为特征与视频帧一起发送到我的事故检测模型，但我真的不确定这是否可行以及如何实现这一点，因为我什至找不到人们在这个互联网上这样做的例子。

我知道我可以裁剪对象并发送到 lstm，但这样模型不会获得环境特征。再说一次，只是传递图像的坐标并不能告诉模型这些确实是图像中感兴趣区域的坐标......所以它让我感到困惑......

任何帮助表示赞赏，这是一项时间敏感的学术任务。我知道构建一个具有良好准确性的适当项目需要时间，现在我的目标只是尽快拥有一个工作原型。