Kantenerkennung

Definition

Der edge-Task sagt aus einem einzelnen RGB-Bild eine Wahrscheinlichkeit pro Pixel vorher: 0 bedeutet keine Kante und 1 bedeutet Kante. Die Karte bleibt kontinuierlich, deshalb bleibt die Wahl des Schwellenwerts, der sie in ein binäres Grenzbild verwandelt, beim Aufrufer, und der richtige Schwellenwert hängt vom Datensatz und von der nachgelagerten Verwendung ab.

Eine Vorhersage füllt result.edges, ein EdgeMap-Payload mit einem (H, W) float32-Array in [0, 1] auf der ursprünglichen Bildfläche. .array liefert diese Karte als NumPy und .binary(threshold) eine boolesche Maske. result.boxes bleibt leer, deshalb haben conf, iou und max_det keine Wirkung. Results.plot() deckt diese Aufgabe ab und zeichnet die Karte direkt.

Modelle

Drei Familien bedienen edge.

DexiNed, das Dense Extreme Inception Network, verschmilzt mehrere Seitenausgaben zu einer Wahrscheinlichkeitskarte und läuft nativ bei 352 px.

TEED, der Tiny and Efficient Edge Detector, ist ein kleines Netz bei denselben nativen 352 px, mit einem Downsample-Stride von 4 gegenüber 16 bei DexiNed, deshalb akzeptiert es mehr Werte für imgsz.

LibreMODUS erzeugt Kanten im Canny-Stil als eines der Ziele eines Any-to-Any-Modells. Es braucht das Extra modus und deinen eigenen authentifizierten Hugging-Face-Account, und es bietet weder val() noch export(), nimmt also an den Abschnitten zu Validierung und Export unten nicht teil.

Vorhersage

LibreYOLO veröffentlicht keinen Edge-Checkpoint. Die offiziell veröffentlichten Gewichte von DexiNed und TEED sind auf BIPED trainiert, dessen veröffentlichte Datensatzbedingungen die Nutzung auf nicht kommerzielle Zwecke beschränken, deshalb spiegelt LibreYOLO sie nicht. Konvertiere einen Checkpoint, für den du lizenziert bist, und lade die konvertierte Datei dann über ihren Pfad:

python weights/convert_dexined_weights.py upstream.pth weights/LibreDexiNedb-edge.pt --verify

from libreyolo import LibreYOLO, SAMPLE_IMAGE # LibreYOLO liefert keinen Edge-Checkpoint; erst konvertieren (unten).model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE, save=True) edges = result.edgesprint(edges.array.shape)          # (H, W) float32 in [0, 1]print(edges.binary(0.5).sum())    # Anzahl Kantenpixel bei 0.5

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # Die Karte bleibt kontinuierlich, der Schwellenwert ist deine Wahl.for t in (0.3, 0.5, 0.7):    print(t, int(result.edges.binary(t).sum()))

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # plot() zeichnet die Karte; für Edge- und Normal-Ergebnisse definiert.result.plot().save("edges.png")

Der Dateiname muss das Task-Suffix -edge tragen, damit der Loader ihn erkennt. imgsz muss durch den Downsample-Stride des Netzes teilbar sein, und LibreYOLO löst einen klaren Fehler aus, der den Teiler nennt, wenn das nicht der Fall ist. Siehe Vorhersage für Quellen, Streaming und den Umgang mit Ergebnissen.

Datensatzformat

Die Kanten-Validierung paart jedes RGB-Bild mit einer einkanaligen Karte desselben Dateistamms und derselben Auflösung, plus einer optionalen Gültigkeitsmaske.

dataset/
  data.yaml
  images/
    val/scene.jpg
  edges/
    val/scene.png
  masks/
    val/scene.png

path: dataset
train: images/train
val: images/val
edges_dir: edges
masks_dir: masks
nc: 1
names: {0: edge}

Das Ziel ist ein einkanaliges PNG oder TIF, keine RGB-Visualisierung. Ganzzahlige Karten werden durch das Maximum ihres dtype geteilt; Float-Karten müssen bereits endlich und in [0, 1] sein. Maskenpixel gelten als gültig, wenn sie ungleich null sind, und gepaddete Pixel tragen nie zu einer Metrik bei. edge_invert: true deckt Quellen ab, die schwarze Kanten auf Weiß speichern. Siehe Datensatzformate für den vollständigen Vertrag.

Training

Keine Kanten-Familie in LibreYOLO hat eine Trainingsimplementierung: train() löst bei allen dreien NotImplementedError aus. Jede Modellseite nennt das Konvertierungsskript, das einen anderswo trainierten Checkpoint in einen verwandelt, den LibreYOLO laden kann.

Validierung

val() berichtet die F-Measures im BSDS-Stil. Kontinuierliche Vorhersagen werden zuerst mit einer Gradienten-Non-Maximum-Suppression in vier Richtungen ausgedünnt, dann werden vorhergesagte und Ground-Truth-Kantenpixel innerhalb einer Abstandstoleranz eins zu eins zugeordnet.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])              # fitnessprint(metrics["metrics/OIS"])print(metrics["metrics/best_threshold"])

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(    data="my-dataset.yaml",    imgsz=352,    edge_thresholds=(0.1, 0.2, 0.3, 0.4, 0.5),    edge_max_dist=0.0075,) print(metrics["metrics/ODS"], metrics["metrics/best_threshold"])

metrics/ODS ist das F-Measure im Optimal Dataset Scale: Die Trefferzahlen werden bei jedem Schwellenwert über den Datensatz gepoolt, und das beste dieser gepoolten F-Measures wird berichtet. Es ist zugleich fitness, die Zahl, die die Auswahl des besten Checkpoints liest. metrics/OIS ist das F-Measure im Optimal Image Scale, der Mittelwert über die Bilder aus dem jeweils besten F-Measure jedes Bildes, jedes Bild darf sich also seinen eigenen Schwellenwert suchen. metrics/best_threshold ist der eine Schwellenwert, der ODS erzeugt hat, und genau den solltest du bei der Inferenz in edges.binary() wiederverwenden.

Zwei Argumente formen den Sweep. edge_thresholds ist die Menge der geprüften Schwellenwerte, standardmäßig 0.01 bis 0.99 in Hundertstelschritten. edge_max_dist ist die Match-Toleranz als Anteil der Bilddiagonale, standardmäßig 0.0075; ein Paar, das weiter auseinanderliegt, ist kein Treffer.

Export

Ein exportiertes Kantenmodell lädt über LibreYOLO() anhand seiner Dateiendung zurück, deshalb verhält sich eine .onnx-Datei wie ein Checkpoint und liefert dieselben Results.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")model.export(format="onnx", imgsz=352)

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Die Factory routet über die Dateiendung: Ein exportiertes Artefakt# lädt wie jeder Checkpoint und liefert dasselbe Results-Objekt.model = LibreYOLO("weights/LibreDexiNedb-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

Der Kanten-Export nutzt einen Runtime-Vertrag mit fester Auflösung und Batch 1: dynamic und ein batch ungleich 1 werden zurückgewiesen, und der exportierte Graph gibt eine einzelne fusionierte Wahrscheinlichkeitskarte aus. Die Abdeckung pro Format steht auf den Seiten DexiNed und TEED sowie in der vollständigen Export-Matrix. Export listet die Argumente auf, die jedes Format akzeptiert.