我是视频和图像处理的新手。我已经训练了对象检测模型，该模型将图像作为输入并为每个图像帧提供一个JSON文件，该文件详细说明了为每个对象找到的边界框。这样的输出示例：
{“预测”：[[0.0，0.3797718286514282，0.5336475968360901，0.6208657622337341，0.6265363097190857，0.9372439980506897]，...
0是类，其他四个数字是边界框的坐标。
我可以计算每个类/图像的边界框数量，但是我不确定如何计算每个视频的边界框数量。我每个视频每秒有几帧，所以很多帧重叠，因此我不能简单地计算每个图像的边界框并添加它们。
我可以使用任何Python库吗？或其他建议？