企业官网建设流程全解析

跑边缘检测实验到现在，最容易被新人忽略的一件事就是：模型一通train完，loss降得挺漂亮，结果图看着也挺顺眼，可一旦要写论文、和别人的方法做对比，或者被审稿人问一句“你的ODS是多少，OIS多少，AP呢”，当场就卡壳了。我自己第一次复现HED的时候就吃过这个亏——代码能跑通，边缘图也画得出来，但评估指标那一栏完全不知道怎么填。

这不是个别现象。边缘检测这个方向的评估，从Canny时代到现在经历过一次非常关键的进化：传统的算法输出二值图，人工调阈值就行，评价靠肉眼；深度学习时代输出的是逐像素概率图，你必须用一套统一的协议来打分，这就是ODS/OIS/AP这套指标。很多人把这几个名词挂在嘴边，但真的问到数学定义、怎么从像素匹配一路推导到AP曲线下面积，能说清楚的人不多。

所以这篇我想从头到尾把这套体系捋一遍：先讲传统边缘检测器为什么不需要复杂评估，再讲深度学习来了之后评估方式怎么被迫升级，然后重点把ODS/OIS/AP的数学推导掰开揉碎，最后附上我实际在项目里用的Python评估脚本和一些避坑经验。不管你是刚接触这个方向的学生，还是已经跑过几个模型、想彻底搞懂指标含义的工程师，这篇应该都能帮上忙。

1. 边缘检测的“前深度学习时代”

边缘检测这个任务本身很老，早在上世纪六七十年代就有了各种基于梯度的算子，但真正把“边缘检测”这个方向定义成一套完整方法论的人，是John Canny。他在1986年发表的那篇经典论文里提出了三个标准：好的检测（真实边缘不能被漏掉）、好的定位（检测到的边缘要贴紧真实位置）、单一响应（每个真实边缘只能有一个输出）。这三个标准不仅说明了“什么是好的边缘检测器”，更重要的是它定义了后续所有算法在工程上的优化目标。

1.1 从Prewitt到Canny：传统检测器的巅峰与局限

在Canny之前，最常用的检测器是Prewitt、Sobel这类一阶微分算子。它们的原理很简单：图像本质上是一个二维离散函数f(x,y)，边缘处灰度变化剧烈，也就是梯度幅值大。Sobel算子就是用两个3x3的卷积核分别计算水平方向Gx和垂直方向Gy的梯度，然后用sqrt(Gx² + Gy²)或|Gx|+|Gy|作为边缘强度。这类算子计算代价极低，但问题也很明显：对噪声敏感，输出边缘较粗，而且没有一个机制去筛选哪些梯度响应是“真实”边缘。

Canny的核心创新在于把这个问题工程化地拆成了四步：

第一步，高斯滤波平滑图像，降低噪声对梯度计算的影响。这相当于先对图像做尺度变换，用σ控制平滑程度，σ大则边缘定位粗糙但抗噪强，σ小则细节多但噪声也多。

第二步，计算梯度幅值和方向。方向信息是关键，后续的非极大值抑制需要用到。

第三步，非极大值抑制（NMS）。这一步会把梯度幅值在沿着梯度方向上的局部最大值保留下来，其他像素置零，输出一个细边缘图。这一步是Canny输出质量好的直接原因。

第四步，双阈值处理。用高阈值TH找出确定的强边缘，再用低阈值TL找到与强边缘相连的弱边缘，剩下的孤立弱边缘直接舍弃。这一步是Canny与Sobel最大的区别：它利用了边缘的连续性先验，而不是简单地看单点梯度值。

但Canny有一个从出生起就伴随的问题——它的输出是二值图。双阈值TH和TL是人工设定的，不同图像的最佳阈值差异很大。一张图的边缘密集、对比度高，你可能想把阈值调高减少误检；另一张图的边缘模糊、对比度低，你又得把阈值调低防止漏检。这种“人工阈值”本质上就是一个评估困境：边缘检测器到底好不好，取决于你选的阈值好不好。

1.2 传统时代其实也有“评估”，只是没人认真做

早年的边缘检测论文里，最常见的评估方式就是放三张图：原图、检测结果、理想结果（GT），然后让大家“肉眼对比”。这当然不严谨，但也没办法，因为当时缺乏两个东西：标准化的数据集，以及一套可计算、可复现的评估协议。

后来陆续有人提出用像素级的查准率和查全率来评估。给定二值预测图和二值GT图，逐像素比较，算precision = TP/(TP+FP)，recall = TP/(TP+FN)。这个方法听起来合理，实际用起来却很尴尬：预测边缘和GT边缘之间哪怕只偏差一个像素，逐像素比较就会同时产生漏检和误检；真正的边缘是一条线，不是一堆孤立像素，逐像素匹配的计算方式在语义上就不对。而且二值图只有一组P/R，没法构建完整的PR曲线。这就是为什么传统评估指标一直停留在“论文各写各的，别人无法复现”的状态。

真正改变局面的是BSDS（Berkeley Segmentation Dataset）数据集的出现。这个数据集提供了大量自然图像的人类标注分割结果，把GT边缘定义成“多个人标注的共识边缘”。从这时候起，边缘检测的评估才从“展示两张图自证”进化成“在统一数据集上跑统一指标”。

这个转变的意义在于：它把“一张图一个阈值”的主观问题，变成了“一套算法在所有图上整体表现”的客观打分。但这个打分体系真正成熟，还要等到深度学习模型把边缘检测的输出从二值图改成概率图之后。

2. 深度学习改变的不只是检测器，还有评估方式

2015年前后，FCN、HED、RCF这些基于深度学习的边缘检测模型把这项任务的精度推上了一个大台阶。它们的共同点是：输入一张RGB图，输出一张和原图同分辨率的边缘概率图，每个像素的值表示该位置属于边缘的概率。这个输出形态的改变，对评估体系是一次彻底的冲击。

2.1 从二值图到概率图：输出形态的质变

传统Canny的输出是一个二值矩阵，每个像素非0即1（或非255即0）。深度学习模型最后一般接一个sigmoid，输出浮点数，比如0.87、0.32、0.04这样连续分布的概率。模型本身不负责做“最终决策”，它只告诉算法“这里可能有多大概率是边缘”。

这个改变看起来只是一个输出层的小调整，但它带来一个更本质的变化：你可以对一个概率图施加任意多的阈值，得到任意多组precision/recall。阈值从0到1扫一遍，每一组P/R对应一个点，把所有这些点连起来，就得到了一条完整的PR曲线。有了PR曲线，就可以计算曲线下面积（AP）、最大F值等统计量。

也就是说，深度学习的输出形态天然适配“阈值扫描+PR曲线”这套评估方法。而传统的Canny输出只有一组0/1结果，你想扫阈值就得重新跑一遍算法，成本高且不连续。这也是为什么ODS/OIS/AP这套指标几乎和深度学习边缘检测同时流行起来。

我举个简单的比喻：传统边缘检测器像一台只能出定焦照片的相机，光圈快门都是固定的，出片好坏全看摄影师调参功力；深度学习模型像一台能输出原始RAW格式的相机，最终要亮一点暗一点，后期随时可以调，RAW文件本身保留了全部信息。阈值扫描就是在处理RAW的过程，最终什么效果取决于你怎么“显影”。

2.2 深度边缘检测进入BSDS基准时代

有了概率图，再加上BSDS数据集的多标注GT，学术界就慢慢形成了一套事实标准：在BSDS300或BSDS500上跑测试，报告三个数——ODS、OIS、AP。这三个数从三个不同角度刻画了一个边缘检测模型的综合表现。

BSDS500的GT有独特之处：每张图有多个标注者参与，每个人标的内容不完全一样。这带来一个GT融合的问题。常见的做法有两种：第一种是把所有标注取并集，只要有一个标注者画了就算GT边缘；第二种是加权重，比如5个标注者里至少有2个人标了才算。实际操作中，BSDS官方提供的GT通常是把多人标注结果合并成一张概率图，你可以自己设一个阈值（比如0.2以上算边缘）转成二值GT。这个细节看起来小，后来影响却不小——同样的模型，用不同的GT融合方式跑出来的ODS可能差一两个点。

另一个同样关键的细节是边缘匹配的容差定义。由于GT边缘是人工画的线，而模型预测的边缘像素和人工标线很难做到逐像素重合，所以BSDS评估里引入了一个距离容差：预测边缘点落在GT边缘的δ邻域内，就算匹配成功。这个δ在原始评估里通常是对角线长度的0.75%，在BSDS500大约4个像素左右。这个容差机制解决了我前面说的“逐像素比较过于苛刻”的问题，也是后来所有相关实现都必须处理的核心逻辑。

有了概率图输出、标准数据集、带容差的匹配协议，ODS/OIS/AP这三个指标的数学定义就有了落地的土壤。下面我逐一推导。

3. ODS/OIS/AP的数学定义与推导

这部分是重点，也是很多人看了半天论文还是云里雾里的地方。我尽量用一套统一的符号把它们串起来讲，你会发现这三个指标其实是同一个PR框架下三种不同的“聚合”策略。

3.1 先建立像素级匹配的基本量

假设测试集里有N张图像。对第i张图，记GT边缘像素集合为G_i，模型预测的概率图为P_i(x)∈[0,1]，x表示像素位置。

给定一个二值化阈值τ，预测图被转成二值图B_i(τ) = {x | P_i(x) ≥ τ}。接下来对每个预测像素x，判断它是否是“正确命中”：

• 如果x落在GT边缘集合的δ邻域内，即dist(x, G_i) ≤ δ，则x记为TP（真正例）。
• 否则记为FP（假正例）。

对GT边缘像素，如果它没有被任何预测像素命中，就记为FN（假负例）。

这里我要说明一个数学上的简化：实际操作中，为了处理“多个预测像素命中同一条GT边缘线”的情况，工程实现往往会先把GT边缘细线化，再按连通域或骨架点做一一匹配，一个GT点最多只能被一个预测点命中。但在推导层面，“dist(x, G_i) ≤ δ”这个邻域定义已经足够描述TP/FP/FN的语义。真实的评估代码是在这个语义基础上做了更严谨的匹配管理，方向不会变。

在第i张图上，给定τ，统计得到TP_i(τ)、FP_i(τ)、FN_i(τ)，然后定义该图在当前阈值下的查准率和查全率：

Precision: P_i(τ) = TP_i(τ) / (TP_i(τ) + FP_i(τ)) Recall: R_i(τ) = TP_i(τ) / (TP_i(τ) + FN_i(τ))

F-measure（加权调和平均）为：

F_i(τ) = 2 · P_i(τ) · R_i(τ) / (P_i(τ) + R_i(τ))

单独一张图上的阈值扫描，可以画出一条P-R曲线，每个τ对应曲线上的一个点。但这只是基础，ODS/OIS/AP是在这个基础之上对整个数据集做聚合。

3.2 ODS：整图一套固定阈值

ODS的全称是Optimal Dataset Scale，含义是在整个数据集上找一个全局最优的固定阈值。

数学上，先把所有图像的TP/FP/FN分别累加，形成数据集级别的统计量：

TP(τ) = Σᵢ TP_i(τ) FP(τ) = Σᵢ FP_i(τ) FN(τ) = Σᵢ FN_i(τ)

然后计算数据集级别的precision和recall：

P(τ) = TP(τ) / (TP(τ) + FP(τ)) R(τ) = TP(τ) / (TP(τ) + FN(τ))

接着对τ做扫描，选出使F-measure最大的阈值：

τ* = argmax_τ F(τ)，其中 F(τ) = 2P(τ)R(τ) / (P(τ) + R(τ))

最终的ODS就是这个最大F值：ODS = F(τ*)。

注意这里的几个容易混淆的点：

第一，ODS的TP/FP/FN是先跨图累加再算P/R，不是先算每张图的P/R再平均。这两种做法结果不一样，尤其当各图GT边缘数量差异较大时，先把所有GT像素累加再算recall，实际上是按GT像素数做了加权，大图的recall对总体影响更大。

第二，ODS的特点是“一视同仁”。所有测试图共用同一个阈值τ*，这模拟了一个真实应用场景：部署模型时不可能每张图都派人去调阈值，只能固定一个阈值跑全套流程，ODS低说明模型对这个固定阈值不够鲁棒。

我见过不少新手直接把每张图的最优F值平均当成ODS，这是错的。严格来说每张图用各自最优阈值再平均，那是下面要讲的OIS的雏形，不是ODS。

3.3 OIS：每张图寻找各自最优

OIS的全称是Optimal Image Scale，从名字就能看出它的思路和ODS相反：每张测试图允许使用各自独立的最优阈值。

对第i张图，先扫描阈值τ，找到该图上F_i(τ)最大的值：

F_i* = max_τ F_i(τ) = F_i(τ_i*)，其中τ_i* = argmax_τ F_i(τ)

然后对所有图像的这个最大F值取平均：

OIS = (1/N) · Σᵢ F_i*

从数学上看，OIS反映的是模型输出的“上限”有多高：如果每张图都可以把阈值调到最合适的位置，模型最好能好到什么程度。这相当于把阈值误差的影响完全消除，只看边缘概率图本身的质量。

因为OIS允许逐图寻找最优，它必然不小于ODS（更准确地说，逐图最大值的平均通常不低于全局单一阈值下能达到的平均水平，这个性质在数学上很直观——放宽约束只会让结果更好）。所以你在论文里看到OIS比ODS高零点几个点，是正常现象。两者之间的差距越大，说明模型输出在不同图像上的置信度分布差异越大，换句话说，模型对“全局统一阈值”越不友好。

这个差距本身就是一个值得分析的信息。我自己的经验是：如果某模型ODS和OIS差超过1.5%，就要警惕是不是训练数据里图像明暗对比差异太大导致置信度校准不统一，此时可以考虑在模型输出后面加一个轻量的校准层，或者用上采样损失让训练更关注困难样本。

3.4 AP：排序维度上的概率积分

AP的全称是Average Precision，它不太一样——它不显式选择任何阈值，而是在排序的维度上对PR曲线做积分。

具体做法如下：把测试集所有像素按预测概率P_i(x)从高到低排序，形成一个长度为M的序列，M是全部预测像素个数。设排序后第k个像素的命中标记为h_k∈{0,1}，h_k=1表示它是TP，0表示FP。注意，排序过程中FN不会直接出现在这个序列里，因为FN是GT边缘中没被预测命中的点，它们不存在于预测集合中；但recall计算时分母用的是全部GT边缘数|G_all| = Σᵢ|G_i|，所以FN会通过分母间接影响recall。

在前k个像素中，TP累计数为m_k = Σⱼ₌₁ᵏ h_j，于是排序前k个像素对应的precision和recall为：

P_k = m_k / k R_k = m_k / |G_all|

随着k从1增大到M，R_k单调不减，P_k会因为混入越来越多的FP而普遍下降。把所有(k,P_k,R_k)点连成一条单调下降的PR折线，AP就是对这条曲线下面积的近似：

AP = Σₖ₌₁ᴹ (R_k - R_{k-1}) · P_k，其中R₀ = 0

从数学角度看，这等价于AP = ∫₀¹ P(R) dR，也就是precision在recall轴上的平均。因为概率越高的像素越早被纳入TP累计，所以AP对排序质量极其敏感：一个模型如果能持之以恒地把真正的边缘排在前面、把误检的响应压到很靠后的位置，它的AP就高；哪怕总体的P/R并不惊人，只要排序质量好，AP也能很好看。

这样看，AP和ODS/OIS的取向差别很大。ODS/OIS关心的是“是否存在某个阈值让最终二值图很漂亮”，AP关心的是“概率图的排序是否可信”。工程上一个直观记忆是：ODS高说明模型在某个合适阈值下输出像样；OIS高说明每张图都能找到自己的适配阈值；AP高说明即使不调阈值、只看概率排序，模型也把真正的边缘放在前面了。

4. 用一个具体例子把三个指标算一遍

公式摆出来以后，真正想建立直觉，还是得手算一个例子。我这里构造一个只有两张图的小规模场景，把所有计算过程走一遍。为了让你跟上，我故意把每张图的GT边缘数量设成4个像素，预测像素也只有4个。

4.1 构造一个小规模示例

图1的GT含4个像素点。预测概率图里有4个点：

• a=0.9，落在GT邻域内，TP候补
• b=0.8，落在GT邻域内，TP候补
• c=0.7，落在GT邻域内，TP候补
• d=0.6，不在GT邻域内，FP候补

图1在各种阈值下的统计结果如下：

图1的最优F出现在τ=0.65，F*=0.857。

图2的GT同样含4个像素点。预测概率图里有4个点：

• e=0.9，落在GT邻域内，TP候补
• f=0.8，落在GT邻域内，TP候补
• g=0.7，不在GT邻域内，FP候补
• h=0.6，落在GT邻域内，TP候补

图2在各种阈值下的统计结果：

图2的最优F出现在τ=0.75，F=0.667；τ=0.10时F=0.750才是更大值，所以图2的最优F=0.750，对应阈值τ=0.10。

4.2 从示例反推指标差异

先把图2的表格修正一下：τ=0.10时TP=3、FP=1，P=3/4=0.75，R=3/4=0.75，F=0.75；τ=0.75时TP=2、FP=0，P=1、R=0.5、F=0.667。所以图2的最优F=0.75，最优阈值是0.10。

现在分别计算三个指标。

OIS：每张图取各自最优F再平均。

OIS = (0.857 + 0.750) / 2 ≈ 0.8035

ODS：需要把所有图的TP/FP/FN在同一个阈值下累加，再算全局P/R/F。GT总数是8。

• τ=0.65时：图1的TP=3、FP=0；图2的TP=2、FP=1。全局TP=5、FP=1，P=5/6≈0.833，R=5/8=0.625，F=2×0.833×0.625/(0.833+0.625)≈0.714。
• τ=0.75时：图1的TP=2、FP=0；图2的TP=2、FP=0。全局TP=4、FP=0，P=1，R=4/8=0.5，F≈0.667。
• τ=0.85时：全局TP=2、FP=0，P=1，R=0.25，F=0.4。
• τ=0.10时：图1的TP=3、FP=1；图2的TP=3、FP=1。全局TP=6、FP=2，P=0.75，R=0.75，F=0.75。

扫描所有阈值，全局F最大的是τ=0.10时的0.75，所以ODS=0.75。

AP：把所有像素按概率从高到低排序。图1的a=0.9(TP)、b=0.8(TP)、c=0.7(TP)、d=0.6(FP)；图2的e=0.9(TP)、f=0.8(TP)、g=0.7(FP)、h=0.6(TP)。全部排序后是：a(0.9,TP)、e(0.9,TP)、b(0.8,TP)、f(0.8,TP)、c(0.7,TP)、g(0.7,FP)、d(0.6,FP)、h(0.6,TP)。

逐点累计：

AP = (0.125-0)×1 + (0.25-0.125)×1 + (0.375-0.25)×1 + (0.5-0.375)×1 + (0.625-0.5)×1 + (0.625-0.625)×0.833 + (0.625-0.625)×0.714 + (0.75-0.625)×0.75 = 0.125+0.125+0.125+0.125+0.125+0+0+0.09375 ≈ 0.71875。

这个例子很能说明问题：ODS=0.75，OIS≈0.8035，AP≈0.71875。三个数字都不一样，而且相差不小。OIS比ODS高，因为每张图能用自己的最优阈值；AP比ODS低，因为排序过程里有两个FP排在比较靠前的位置，尤其是c(0.7,TP)和g(0.7,FP)并列时，FP混进了本应全是TP的前缀区间，拉低了precision的积分。

从这个例子里你可以直观看到三个指标的差异本质：ODS锚定全局固定阈值，OIS锚定逐图自适应，AP锚定概率排序质量。

5. 从零实现ODS/OIS/AP评估脚本

理论讲完，我觉得最有用的是给你一份能直接跑的评估脚本结构。这里我给出核心逻辑，用Python加常见的科学计算库实现。假定你已经把预测概率图以numpy数组形式加载到内存里，GT是二值图。

5.1 先写像素匹配函数

匹配步骤是整套评估的地基。下面这个函数处理单张图的预测概率图和GT二值图，在给定阈值下返回TP、FP、FN的数量。

import numpy as np from scipy import ndimage def compute_stats_at_threshold(prob, gt_binary, tau, max_dist=4): pred = (prob >= tau).astype(np.uint8) # 对GT做距离变换，得到每个预测点离GT的最近距离 dist = ndimage.distance_transform_edt(1 - gt_binary) pred_edge = pred & (dist <= max_dist) tp = pred_edge.sum() fp = pred.sum() - tp fn = int(gt_binary.sum()) - tp return tp, fp, fn

这里有个关键设定：距离容差max_dist。BSDS官方实现里一般用图像对角线的0.75%，在481×321的图上换算下来大概4像素左右。如果你的图和BSDS尺寸差很多，建议按比例折算，不然小图上容差太大、大图上容差又太小。

5.2 扫描阈值，计算ODS和OIS

有了单图单阈值的统计量，接下来就是扫描一组候选阈值，分别做全局聚合和逐图聚合。

def evaluate_ods_ois(probs, gts, tau_list): n = len(probs) # ODS累加器 best_f_ods = 0.0 for tau in tau_list: tp_sum = fp_sum = fn_sum = 0 for i in range(n): tp, fp, fn = compute_stats_at_threshold(probs[i], gts[i], tau) tp_sum += tp fp_sum += fp fn_sum += fn precision = tp_sum / (tp_sum + fp_sum) recall = tp_sum / (tp_sum + fn_sum) f = 2 * precision * recall / (precision + recall) if f > best_f_ods: best_f_ods = f # OIS累加器 ois_sum = 0.0 for i in range(n): best_f_i = 0.0 for tau in tau_list: tp, fp, fn = compute_stats_at_threshold(probs[i], gts[i], tau) precision = tp / (tp + fp) recall = tp / (tp + fn) f = 2 * precision * recall / (precision + recall) if f > best_f_i: best_f_i = f ois_sum += best_f_i return best_f_ods, ois_sum / n

这个实现的逻辑很直白，但效率不是最优的。如果图很多，建议把所有tau列表的匹配结果先算一遍，存成数组再聚合，避免反复调用distance_transform。我在实际项目中就是这么做的：单张图的距离变换计算量不小，512×512的图跑100个阈值，如果每次重新算距离变换，速度会慢到让人暴躁。

5.3 用排序法计算AP

AP的计算不走阈值扫描，而是把预测像素按概率排序后逐步累计。这里有个优化点：不需要提前把概率图二值化，而是直接取GT距离矩阵，判断每个预测像素是否命中。

def compute_ap(probs, gts, max_dist=4): pred_pixels = [] total_gt = 0 for prob, gt in zip(probs, gts): # 将GT做距离变换，用于快速判断命中 dist = ndimage.distance_transform_edt(1 - gt) ys, xs = np.where(prob > 0) for y, x in zip(ys, xs): pred_pixels.append((prob[y, x], dist[y, x] <= max_dist)) total_gt += int(gt.sum()) pred_pixels.sort(key=lambda t: t[0], reverse=True) tp_cum = 0 ap = 0.0 prev_recall = 0.0 for k, (_, is_tp) in enumerate(pred_pixels, start=1): if is_tp: tp_cum += 1 precision = tp_cum / k recall = tp_cum / total_gt ap += (recall - prev_recall) * precision prev_recall = recall return ap

这个实现里我直接遍历了概率图上所有概率大于0的像素。如果你处理的数据集很大，可以在求出所有预测像素后统一排序，内存足够的话也可以把整张图展平再排序，写起来会更紧凑。

AP计算有一个细节：如果多个像素概率值相同，排序顺序会影响AP的精度，但因为AP本身是曲线积分，这个影响会很小。严谨的做法是先按概率降序、再按“是否TP”排序（TP优先），这样能确保在相同概率值下，PR曲线先往上走一点，不会因为FP排在TP前面而低估AP。上面的代码用了稳定排序，但建议你实现时加上二重排序条件。

5.4 实现中容易踩的坑

第一坑：阈值列表。不要用np.arange(0, 1, 0.01)这种固定步长的均匀阈值。边缘概率图不是均匀分布的，很多模型输出的概率集中在0.1以下和0.9以上，中间的0.1到0.9区间可能根本没几个像素，均匀扫描会浪费大量计算量在空区间上。更靠谱的做法是把当前验证集上所有预测概率的出现值去重排序，再在这些值之间选候选阈值。

第二坑：GT二值化。BSDS的GT原始文件是mat格式的多标注结果，不是直接可用的二值图。你需要先把多人标注累加成一张概率图，再选阈值二值化。选0.1和选0.3，最后的ODS可能差一两个点。所以论文报告指标时必须写清楚用的是哪种GT融合方式，否则别人复现不出来。

第三坑：边缘细线化。GT边缘线比较粗的时候，容差匹配会变得异常宽松，FP几乎不会出现，AP会虚高。建议在评估前先对GT做骨架化（skimage.morphology.skeletonize），让GT收缩到单像素宽度，再计算距离变换。

第四坑：预测图边界像素。模型输出的边缘概率图在图像边界附近常常有伪响应，但BSDS的GT不会标注边界。这些边角伪影会成为FP，拉低precision。有些实现会在统计时直接裁掉边界区域，把这部分像素排除在外，这样得到的结果更公平，但也必须在论文中注明。

6. 指标反推设计：ODS/OIS/AP分别适合优化什么

评估做完，很多人就收工了。但如果你再往前走一步，会发现这三个指标其实是在给你提需求，它们对应的优化方向完全不同。

6.1 ODS驱动全局阈值鲁棒性

ODS高意味着模型输出的概率图在某个全局阈值下能获得很高的P和R，这对实际部署很有意义。现实中你不可能每张图都找最优阈值，固定一个0.5或者某个训练集上学到的τ*直接跑全图，效果如何全看ODS。

从训练角度反推，想让ODS高，模型的置信度分布必须足够集中：真正的边缘像素大概率输出高置信度，非边缘像素大概率输出低置信度。如果你发现模型在困难样本上输出了大量介于0.4到0.6之间的模糊值，ODS就会很难看。这种情况可以考虑用Focal Loss加深对困难样本的惩罚，或者在模型后面加一个温度缩放的校准层，把输出拉向两端。

6.2 OIS驱动逐图自适应能力

OIS高说明每张图都能找到自己的最优阈值，模型输出本身的信息量足够。ODS和OIS差距大的时候，问题往往出在训练数据的尺度、光照、对比度分布不均衡上——模型学到了对某类图像输出偏高、对另一类输出偏低。

一个直接有效的操作是给模型加上可学习的阈值参数，或者在推理时根据图像统计量自适应调整输出偏移。这个思路有点类似于传统Otsu方法的思想，只不过把全局Otsu换成一张图一个偏置。今年很多新方法沿着这个方向做，效果也确实能拉高OIS。

6.3 AP驱动排序质量

AP是三个指标里最“结果导向”的，它完全不管阈值，只看排序。决定AP高低的是：真正的边缘是不是都排在了前面，误检是不是都被压到了后面。

如果模型训练时用的是二值交叉熵，AP往往不会达到最优，因为BCE只关心每个像素点独立预测得准不准，不关心像素之间的排序关系。要专门优化AP，可以考虑排序损失（Ranking Loss）、对比学习，或者在线困难样本挖掘。这两年不少边缘检测方法引入辅助边缘排序分支，本质上都是在为AP服务。

我个人体会是，一张好的边缘概率图应该同时满足高ODS、高OIS、高AP：既能在固定阈值下好用，又能在逐图调优后达到效果上线，还能在排序维度上保持高质量。现实中很难三者同时拉满，但如果某个指标明显失衡，就说明模型在某个能力维度上有短板，值得顺着这条线索回去找原因。

7. 常见问题与排查技巧实录

我在实际跑边缘检测评估的过程中，积累了不少坑，这里整理成一个速查表，按出现频率从高到低排列，你遇到问题可以直接对号入座。

还有一个很隐蔽的坑：有些实现会在计算TP/FP时把所有图拉平成一个大向量再统一排序，这本来是没问题的，但如果不同图像的尺寸不一致，排序后的recall分母必须按GT总像素数来，不能简单按图像数量平均。我在自己项目里就因为这个吃过亏，把recall的分母算成了每张图GT像素的平均值，导致小图多的数据集recall被系统性高估，AP也跟着虚高了好几个点。

另外，如果你的结果和论文差得有点大，先别急着怀疑模型。花十分钟把GT可视化出来，叠加预测概率图看看匹配情况，是最直接的排查方式。有时候你以为模型没学会，其实是GT预处理那一步就错了，尤其是BSDS的mat文件解析、多标注者合并这一类细节，错一个环节后面全白搭。

关于阈值扫描，再多说一句。标准实现里常用的是在0到1之间以0.01为步长扫，但对很多输出概率集中在0.01以下的模型，这样扫不到有效区间。我的习惯是：先把所有预测概率的非零值收集起来，按分位数（比如0.01到0.99之间取100个点）选取候选阈值，再加上固定步长0.01的全部阈值做并集。这个技巧看着不起眼，却能让ODS计算更稳定，也更容易逼近真正的最优值。

写在最后

这篇文章从Canny的数学设计讲到了深度学习时代ODS/OIS/AP这三大指标的数学推导和代码实现，核心是想说明一件事：评估指标不只是度量算法好坏的尺子，它会反过来定义什么才是“好”的边缘检测器。Canny当年因为输出二值图、靠人工调阈值，导致评估体系一直模糊；深度学习把边缘检测变成概率预测后，评估体系也跟着细化成了“固定阈值表现”“逐图自适应能力”“排序质量”三个维度。

我最大的体会是，别把ODS、OIS、AP当成三个冷冰冰的数字，它们其实对应着三种不同的优化问题。你要是以ODS为目标，损失函数要往置信度校准方向设计；你要是以AP为目标，就得考虑排序损失或者样本筛选策略。每次跑完实验，先别急着填表，花点时间看一眼三个指标的差距，很多模型的改进方向会从这一眼开始清晰起来。这套评估方法论虽然源于边缘检测，但它的思想——用匹配容差解决线条类任务的逐像素对齐困境、用阈值扫描构建PR曲线、用不同聚合方式刻画算法的不同维度——放到语义线检测、车道线检测、甚至关键点检测里，一样值得借鉴。