pytorch-hed

这是使用 PyTorch 对整体嵌套边缘检测 [1] 的个人重实现。如果您使用了这项工作，请相应地引用该论文。同时，请确保遵守作者的许可条款。如果您使用的是这个特定的实现，请予以适当署名 [2]。

有关该工作的原始版本，请参阅：https://github.com/s9xie/hed
此外，基于 Caffe 的另一个重实现请参阅：https://github.com/zeakey/hed

使用方法

要在您自己的图像上运行，请使用以下命令。更多详细信息请参阅相关论文或代码。

python run.py --model bsds500 --in ./images/sample.png --out ./out.png

遗憾的是，尽管本实现使用了官方权重，但它并未完全忠实于原始的 Caffe 版本。在 BSDS500 数据集上，使用 此代码 评估时，本实现的 ODS 值为 0.774，而官方值为 0.780。欢迎通过提交问题和拉取请求为本仓库贡献力量。

对比

参考文献

[1]  @inproceedings{Xie_ICCV_2015,
         author = {Saining Xie 和 Zhuowen Tu},
         title = {整体嵌套边缘检测},
         booktitle = {IEEE 国际计算机视觉会议},
         year = {2015}
     }

[2]  @misc{pytorch-hed,
         author = {Simon Niklaus},
         title = {{HED} 的 PyTorch 重实现},
         year = {2018},
         howpublished = {\url{https://github.com/sniklaus/pytorch-hed}}
    }

pytorch-hed 快速上手指南

pytorch-hed 是 Holistically-Nested Edge Detection (HED) 算法的 PyTorch 个人复现版本，用于从图像中提取整体嵌套边缘。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux 或 macOS（Windows 需额外配置，建议优先使用 Linux）
• Python：Python 3.6 或更高版本
• 深度学习框架：PyTorch（建议安装最新稳定版）
• 其他依赖：
  • numpy
  • Pillow (PIL)
  • scipy
  • opencv-python (可选，用于图像处理)

安装前置依赖命令：

pip install torch torchvision numpy Pillow scipy opencv-python

提示：国内用户推荐使用清华源或阿里源加速安装，例如： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision numpy Pillow scipy opencv-python

安装步骤

本项目无需复杂的编译安装过程，只需克隆仓库即可使用。

1. 克隆项目代码：

   git clone https://github.com/sniklaus/pytorch-hed.git
   cd pytorch-hed
   

2. 下载预训练模型： 首次运行时，脚本通常会自动下载官方权重文件。如果自动下载失败（国内网络环境常见），请手动从原仓库释放页或相关镜像站下载 bsds500 对应的模型文件，并放置于项目根目录或代码指定的缓存目录下。

基本使用

准备好输入图像后，即可运行推理脚本生成边缘检测图。

最简单的使用示例：

假设你有一张名为 sample.png 的图片位于 ./images/ 目录下，执行以下命令：

python run.py --model bsds500 --in ./images/sample.png --out ./out.png

• --model bsds500：指定使用在 BSDS500 数据集上训练的模型。
• --in：输入图像路径。
• --out：输出边缘图像路径。

运行完成后，生成的边缘图将保存为 ./out.png。

注意：该复现版本在 BSDS500 数据集上的 ODS 指标约为 0.774（原版 Caffe 实现为 0.780），效果已非常接近原作。如需更多参数细节，请参考原论文或源码。