这个问题非常典型，属于从单目视频流中进行物体尺寸估计的范畴，结合了目标检测、几何变换和三维感知。你提到用 YOLO 检测物体，但实际测量时受距离和角度影响——这本质上是“如何把像素坐标转成真实世界尺寸”的问题。
咱们来一步步拆解：
---...
