边缘检测

定义

edge 任务从一张 RGB 图像出发，为每个像素预测一个概率：0 表示不是边缘，1 表示是边缘。概率图保持连续，所以把它变成二值边界图的阈值由调用方自己选，而合适的 阈值取决于数据集和下游用途。

一次预测会填充 result.edges，它是一个 EdgeMap 载荷，里面是原图画布上取值在 [0, 1] 的 (H, W) float32 数组。.array 以 NumPy 形式返回这张图， .binary(threshold) 返回一张布尔掩码。result.boxes 保持为空，所以 conf、iou 和 max_det 都不起作用。Results.plot() 覆盖了这个任务，会直接把概率图画出来。

模型

有三个家族支持 edge。

DexiNed，也就是 Dense Extreme Inception Network，把多个侧 输出融合成一张概率图，原生分辨率是 352 px。

TEED，也就是 Tiny and Efficient Edge Detector，是一个原生分辨 率同样为 352 px 的小网络，下采样步长是 4，而 DexiNed 是 16，所以它能接受更多的 imgsz 取值。

LibreMODUS 把 Canny 风格的边缘作为一个 any-to-any 模型 的其中一个输出目标。它需要 modus 这个额外依赖和你自己已认证的 Hugging Face 账号， 而且既不提供 val() 也不提供 export()，所以它不参与下面的验证和导出部分。

预测

LibreYOLO 不发布任何边缘检查点（checkpoint）。官方发布的 DexiNed 和 TEED 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。转换一个你有权使用的检查点，然后按路径加载转换后的文件：

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # LibreYOLO 不附带任何边缘检查点，先按下文转换一个model = LibreYOLO("weights/LibreDexiNedb-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 0.5 下的边缘像素数

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # 连续的概率图会被保留下来，阈值始终由你来定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() 会把概率图画出来，边缘结果和法线结果都有定义result.plot().save("edges.png")

文件名必须带上 -edge 这个任务后缀，加载器才能识别它。imgsz 必须能被网络的下采样 步长整除，不满足时 LibreYOLO 会抛出一个明确指出除数的错误。输入源、流式处理和结果 处理见预测。

数据集格式

边缘验证把每张 RGB 图像和一张同名、同分辨率的单通道图配成一对，另外还可以带一张可选 的有效性掩码。

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}

目标是一张单通道的 PNG 或 TIF，而不是 RGB 可视化图。整数图会除以其 dtype 的最大值； 浮点图本身就必须是有限值并且落在 [0, 1] 里。掩码像素非零时算作有效，填充像素永远 不计入指标。edge_invert: true 覆盖那些把边缘存成白底黑线的数据源。完整的约定见 数据集格式。

训练

LibreYOLO 里没有任何一个边缘家族实现了训练：三个家族的 train() 都会抛出 NotImplementedError。每个模型页面都会给出对应的转换脚本，把在别处训练的检查点转成 LibreYOLO 能加载的文件。

验证

val() 报告 BSDS 风格的 F-measure。连续的预测先用四方向梯度非极大值抑制做细化，然后 预测的边缘像素和真值（ground truth）边缘像素在一个距离容差内一对一匹配。

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 是数据集最优尺度下的 F-measure：在每个阈值上把整个数据集的匹配计数汇总 起来，再报告这些汇总 F-measure 里最好的一个。它同时也是 fitness，即最优检查点选择 读取的那个数字。metrics/OIS 是单图最优尺度下的 F-measure，也就是每张图各自最好的 F-measure 在所有图上的平均值，所以它让每张图都能挑自己的阈值。metrics/best_threshold 是产生 ODS 的那个唯一阈值，也就是推理时应该在 edges.binary() 里复用的那个。

有两个参数决定这次扫描。edge_thresholds 是要试的阈值集合，默认从 0.01 到 0.99，以 百分之一为步长。edge_max_dist 是匹配容差，按图像对角线的比例给出，默认 0.0075； 相距超过这个值的一对像素不算匹配。

导出

导出的边缘模型按文件后缀通过 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。

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 工厂函数按文件后缀分发，所以导出产物的加载方式和检查点一样，# 返回的也是同一个 Results 对象model = LibreYOLO("weights/LibreDexiNedb-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

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。分格式的支持情况在 DexiNed 和 TEED 页面上，以及 完整的导出矩阵里。导出列出了每种 格式接受的参数。