TEED

TEED（Tiny and Efficient Edge Detector）是一个小型卷积网络，从一张 RGB 图像预测出稠密的边缘概率图。LibreYOLO 只为边缘检测封装了它的架构；库里不附带任何检查点。

任务: edge
尺寸: t at 352 px
安装: pip install libreyolo
支持层级: 仅推理，自 v 起。仅支持预测、验证和导出。训练相关的功能不适用。
上游: TEED，由 Xavier Soria 发布，采用 MIT 许可。论文、源码
许可: 代码采用 MIT，权重采用 MIT。商用

安装

TEED 不需要任何可选的额外依赖。它导入的所有东西都在基础安装里。

bash

pip install libreyolo

预测

LibreYOLO 不发布任何 TEED 检查点（checkpoint）。官方发布的权重是在 BIPED 上训练的，而 BIPED 公布的数据集条款把用途限制在非商业目的，所以 LibreYOLO 不镜像它们。用 weights/convert_teed_weights.py 转换一个你有权使用的检查点，它会先把张量的键和运行时架构对照检查一遍，再写出一个 LibreYOLO 可以直接加载的文件：

bash

python weights/convert_teed_weights.py upstream.pth weights/LibreTEEDt-edge.pt --verify

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-edge.pt")result = model(SAMPLE_IMAGE, save=True) edges = result.edgesprint(edges.array.shape)        # (H, W) float32，取值在 [0, 1]print(edges.binary(0.5).sum())  # 阈值化之后的边缘像素数

CLI

libreyolo predict model=weights/LibreTEEDt-edge.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

result.edges 保存着结果：一个取值在 [0, 1] 之间的 (H, W) float32 数组， .binary(threshold) 会返回一张布尔边缘掩码。这里没有检测框，所以 conf、iou 和 max_det 都不起作用。输入源、流式处理和结果处理见预测。

变体

TEED 在 LibreYOLO 里只有一个尺寸。LibreYOLO 的基准测试工具还没有测过这个家族，所以没有可以拿来对比的公开数字。

验证

val() 会在成对的边缘数据集上报告 BSDS 风格的 ODS 和 OIS F-measure：图片和同名的边缘图放在一起，还可以带一张可选的有效性掩码，让填充像素永远不计入。imgsz 必须能被网络的下采样步长整除，不满足时 LibreYOLO 会抛出一个明确的错误。

Python

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreTEEDt-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])   # 数据集最优尺度下的 F-measureprint(metrics["metrics/OIS"])   # 单图最优尺度下的 F-measure

CLI

libreyolo val model=weights/LibreTEEDt-edge.pt data=my-dataset.yaml imgsz=352

导出

任务	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
edge	edge to ONNX：支持	edge to TorchScript：支持	edge to ExecuTorch：支持	edge to TensorRT：支持	edge to OpenVINO：支持	edge to Paddle：不支持	edge to MNN：不支持	edge to RKNN：不支持	edge to ncnn：不支持	edge to TFLite：支持	edge to CoreML：不支持	edge to Core AI：不支持

边缘导出使用固定分辨率、batch 为 1 的运行时约定：dynamic 以及 1 以外的 batch 都会被拒绝，导出的图只输出一张融合后的概率图。导出产物按文件后缀通过 LibreYOLO() 加载回来，所以一个 .onnx 文件的表现和检查点一样，返回同样的 Results。

Python

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

CLI

libreyolo export model=weights/LibreTEEDt-edge.pt format=onnx imgsz=352libreyolo export model=weights/LibreTEEDt-edge.pt format=tensorrt imgsz=352 half=True

使用导出的文件

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

许可

请检查你所下载的具体权重在 Hugging Face 仓库中的许可。LibreYOLO 组织里的每个检查点都附有许可，同一家族内也不一定相同。该仓库是权威来源；以下摘要说明本页上次验证时适用的情况。

这里只说明涉及的许可证，不构成法律意见。如果答案对商用很重要，请自行阅读许可证并咨询法律顾问。

原始工作: TEED, Xavier Soria
上游许可: MIT
上游来源: github.com/xavysp/TEED
LibreYOLO 代码: MIT
权重: 采用 MIT 许可，由作者分发。LibreYOLO 不托管或镜像这些权重。
解读: MIT is a permissive license, so the TEED architecture LibreYOLO ports can be used in commercial and closed-source products, with the license text and copyright notice kept alongside any copy you redistribute. LibreYOLO ships no checkpoint for this family: the officially released weights are trained on BIPED, whose published dataset terms restrict use to non-commercial purposes, and mirroring them would carry that restriction into a nominally MIT-licensed download. Convert a checkpoint you hold a license for with `weights/convert_teed_weights.py`; the MIT code license does not change the terms attached to whatever checkpoint you convert.

LibreYOLO 不发布任何 TEED 检查点。LibreYOLO 组织下没有镜像任何东西；请改用 weights/convert_teed_weights.py 转换一个你持有许可的检查点。

引用

@InProceedings{Soria_2023teed,
    author    = {Soria, Xavier and Li, Yachuan and Rouhani, Mohammad and Sappa, Angel D.},
    title     = {Tiny and Efficient Model for the Edge Detection Generalization},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
    month     = {October},
    year      = {2023},
    pages     = {1364-1373}
}

复制自作者在 github.com/xavysp/TEED#citation 上提供的引用块。