简介面向计算机视觉学习者与文本检测实践者的EAST模型资源包聚焦自然场景文字检测任务的复现与调试适合已具备一定深度学习基础、希望跑通EAST训练与推理流程的开发者参考。压缩包共约2000个文件总量约461.7MB其中4019张jpg图像与2000个npy数据文件构成训练与测试样本主体1006个txt文件多为标注与配置说明另有12个py脚本、4个h5模型权重及少量xml、png等辅助文件覆盖数据、代码与预训练权重三类核心内容。资源已有352人学习下载作者提供了可运行的检测实现读者可据此对照搭建数据读取、模型加载与检测输出流程理解EAST的多尺度特征融合与文本框回归思路并借助现成权重快速验证效果、排查训练中的常见问题减少从零复现的时间成本。1. 拿到一个 EAST 文本检测工程先别急着跑上周有个做票据识别的朋友丢过来一个压缩包说里面是 EAST 文本检测的完整工程问能不能直接跑。我打开一看目录里模型定义、训练脚本、推理入口、数据预处理都在但 README 基本是空的配置文件里路径全是作者本机的绝对路径。这种情况其实很常见——算法本身没问题卡住人的往往是工程细节。EASTEfficient and Accurate Scene Text Detector是场景文本检测里比较经典的一套方案核心思路是用一个全卷积网络直接回归文本框的几何参数省掉传统方法里那些候选框生成和逐步过滤的步骤速度上有优势。这个工程适合两类人一类是想快速跑通一个文本检测 demo、看看效果的新手另一类是准备在它基础上做二次开发、接自己业务数据的熟手。下面我按“这项目能干什么、怎么跑起来、核心代码长什么样、怎么改”的顺序拆一遍。2. 工程结构与技术栈从目录看这套 EAST 是怎么组织的2.1 目录布局与模块职责拿到压缩包解压后先别急着装依赖花五分钟把目录过一遍能省后面很多事。这类 EAST 工程常见的目录结构大致是这样east_text_detection/ ├── configs/ # 配置文件模型参数、训练超参、数据路径 │ └── east_r50.yaml ├── datasets/ # 数据加载与标注解析 │ ├── icdar_dataset.py │ └── transform.py ├── models/ # 网络定义 │ ├── east_resnet.py # backbone 特征融合 输出头 │ └── loss.py # 分类损失 回归损失 角度损失 ├── utils/ # 工具函数 │ ├── geometry.py # 框的几何计算、NMS │ └── visualize.py # 结果可视化 ├── train.py # 训练入口 ├── predict.py # 推理入口 └── requirements.txt这个布局是典型的“配置、数据、模型、工具、入口”五段式。models/east_resnet.py是核心里面通常包含三部分ResNet 主干做特征提取类似 FPN 的结构把不同尺度的特征图融合最后接一个输出头回归 score map 和 geometry map。datasets/负责把标注文件里的四边形坐标转成训练需要的 score map 和回归目标这一步是 EAST 训练里最容易出错的地方后面会细讲。utils/geometry.py里放的是框的 IoU 计算、局部感知 NMS 这些推理阶段离不开。2.2 技术栈与依赖从工程里的 import 能看出技术栈PyTorch 做深度学习框架OpenCV 做图像读写和可视化NumPy 做数值计算可能还有shapely用来处理多边形几何运算。requirements.txt里一般会列torch1.8 torchvision opencv-python numpy shapely pyyaml tqdm这里有个血泪经验shapely的版本和 NumPy 版本有兼容性问题新版 shapely 2.x 和旧版 NumPy 搭配时多边形相交计算可能报错。我一般会先把 shapely 锁在 1.8.x 这个区间等整个流程跑通再考虑升级。另外 OpenCV 建议装opencv-python而不是opencv-contrib-python除非你要用 contrib 里的额外模块否则多装的包只会增加冲突概率。2.3 配置文件里该看什么配置文件是这套工程的“黑匣子”入口跑之前必须逐项确认。以configs/east_r50.yaml为例常见字段包括字段含义常见默认值改的时候注意backbone主干网络类型resnet50换 backbone 要同步改输出通道input_size训练输入尺寸512必须是 32 的倍数batch_size批大小8显存不够先降这个lr学习率1e-4换 batch 要按比例调data_root数据根目录作者本机路径必须改成自己的pretrained预训练权重路径空或本机路径没有就留空从头训input_size必须是 32 的倍数因为主干网络有多次下采样特征图尺寸要对齐否则融合时维度对不上会直接报错。data_root和pretrained这两个字段是新手翻车重灾区作者打包时往往没清掉自己的绝对路径直接跑必然报“文件不存在”。3. 跑起来环境、数据与推理链路3.1 环境准备与依赖安装先建虚拟环境别在系统 Python 里直接装依赖冲突了很难回滚python -m venv east_env source east_env/bin/activate # Windows 用 east_env\Scripts\activate pip install -r requirements.txt装完先验证 PyTorch 能不能识别到 GPUimport torch print(torch.__version__) print(torch.cuda.is_available()) # 没有 GPU 会返回 FalseCPU 也能跑推理只是慢如果cuda.is_available()返回 False 但你确实有显卡多半是装的 CPU 版 torch去 PyTorch 官网按你的 CUDA 版本重新装。这一步别偷懒训练阶段 CPU 和 GPU 的差距是几十倍。3.2 数据准备与标注格式EAST 训练需要的是四边形标注常见格式是每行“图片路径,x1,y1,x2,y2,x3,y3,x4,y4,文本内容”。工程里的datasets/icdar_dataset.py会读这个文件然后把四边形转成两张图score map每个像素是不是文本和 geometry map每个像素到框四边的距离加一个角度。转换逻辑大致是def quad_to_target(quad, input_size, shrink_ratio0.3): # quad: 4x2 的四边形坐标 # 生成 score map把四边形往里收缩一点避免边界像素歧义 shrunk shrink_polygon(quad, shrink_ratio) score_map np.zeros((input_size, input_size), dtypenp.float32) cv2.fillPoly(score_map, [shrunk.astype(np.int32)], 1.0) # 生成 geometry map每个文本像素到四边的距离 角度 geo_map np.zeros((input_size, input_size, 5), dtypenp.float32) # 这里逐像素计算距离实际工程里会用向量化写法加速 return score_map, geo_mapshrink_ratio控制四边形收缩比例默认 0.3 左右。收缩太少边界像素的标签会模糊模型学不准收缩太多小文本框可能直接消失。这个参数对召回率影响明显小目标多的场景可以适当调小到 0.2。geo_map的 5 个通道分别是上、下、左、右四个距离加一个角度推理时靠这 5 个值把 score map 上的点还原成四边形。3.3 推理跑通与结果查看推理入口一般是predict.py典型用法python predict.py \ --config configs/east_r50.yaml \ --checkpoint weights/east_r50.pth \ --image test.jpg \ --output result.jpg跑之前确认--checkpoint指向的权重文件存在。如果压缩包里没带权重就得先训练或者找作者提供的下载说明。推理流程是读图 → 缩放到input_size→ 前向得到 score map 和 geometry map → 阈值过滤 → 用 geometry map 还原四边形 → 局部感知 NMS 去重 → 映射回原图坐标。utils/visualize.py里的draw_boxes会把结果画到图上跑完打开result.jpg就能看到检测框。提示第一次跑推理建议先用工程自带的示例图确认整条链路通了再换自己的图。直接上业务图出了问题分不清是环境问题还是数据问题。4. 核心代码拆解网络前向与后处理4.1 主干与特征融合models/east_resnet.py里的网络定义是理解这套工程的关键。主干用 ResNet取中间几个 stage 的输出做融合class EAST(nn.Module): def __init__(self, pretrainedTrue): super().__init__() resnet torchvision.models.resnet50(pretrainedpretrained) # 取四个 stage 的输出对应不同尺度 self.layer1 nn.Sequential(*list(resnet.children())[:5]) self.layer2 nn.Sequential(*list(resnet.children())[5]) self.layer3 nn.Sequential(*list(resnet.children())[6]) self.layer4 nn.Sequential(*list(resnet.children())[7]) # 融合层把不同尺度特征上采样到同一尺寸后 concat self.merge FeatureMerge(in_channels[256, 512, 1024, 2048]) # 输出头1 通道 score 5 通道 geometry self.score_head nn.Conv2d(128, 1, 1) self.geo_head nn.Conv2d(128, 5, 1)FeatureMerge做的事是把layer4的输出上采样和layer3的 concat再上采样和layer2的 concat逐级往上。这样既有深层语义又有浅层细节小文本框才不至于漏检。输出头用 1x1 卷积把通道压到 1 和 5分别对应 score map 和 geometry map。这里注意pretrainedTrue时第一次运行会去下载 ResNet 权重网络不通会卡住可以提前把权重文件放到 torch 的缓存目录。4.2 损失函数的三部分models/loss.py里损失由三块组成score map 的分类损失、geometry 的回归损失、角度的损失。分类损失常用带 OHEM在线难例挖掘的交叉熵因为文本像素和背景像素比例严重失衡不加难例挖掘模型会倾向于全预测背景def loss(self, score, geo, score_gt, geo_gt): # 分类损失只取最难的那部分样本算 loss score_loss ohem_binary_cross_entropy(score, score_gt, neg_pos_ratio3) # 回归损失只在文本区域内计算背景像素不参与 geo_loss masked_l1_loss(geo, geo_gt, score_gt) # 角度损失用 cos 差异避免角度周期性带来的跳变 angle_loss masked_angle_loss(geo, geo_gt, score_gt) return score_loss geo_loss angle_lossneg_pos_ratio3表示负样本最多取正样本的 3 倍这个比例调大能提升召回但可能引入更多误检。masked_l1_loss里的 mask 就是 score_gt只有文本像素的回归才有意义。角度损失用 cos 而不是直接回归角度值是因为角度有周期性直接回归在 0 和 2π 附近会跳变用 cos 差异更稳定。4.3 后处理从像素到四边形推理阶段的后处理在utils/geometry.py核心是把 geometry map 还原成框再做 NMSdef decode(score_map, geo_map, score_thresh0.5): # 1. 阈值过滤拿到候选文本像素 ys, xs np.where(score_map score_thresh) boxes [] for y, x in zip(ys, xs): # 2. 用该像素的四个距离还原四边形 d_top, d_bottom, d_left, d_right, angle geo_map[y, x] box distances_to_quad(x, y, d_top, d_bottom, d_left, d_right, angle) boxes.append(box) # 3. 局部感知 NMS 去重 keep locality_aware_nms(boxes, score_map, iou_thresh0.3) return keepscore_thresh默认 0.5调低能提升召回但误检变多票据这类背景干净的场景可以降到 0.3。iou_thresh0.3是 NMS 的去重阈值文本行密集的场景调高一点避免把相邻行误删。locality_aware_nms和普通 NMS 的区别在于它考虑了框的合并对长文本行更友好。5. 避坑与排查跑 EAST 工程最容易翻车的几处5.1 报“文件不存在”或路径错误现象一运行就报FileNotFoundError指向配置文件里的某个路径。原因作者打包时没清掉本机绝对路径data_root、pretrained、checkpoint这些字段还指向原作者的目录。解决打开配置文件把所有绝对路径改成相对路径或你自己的路径训练和推理脚本里的默认参数也检查一遍。我一般会全局搜一下/home/和C:\这类前缀一次性清干净。5.2 训练 loss 不降或全预测背景现象训练几个 epoch 后 loss 几乎不动推理出来一个框都没有。原因文本像素和背景像素比例失衡分类损失被背景主导模型学成了“全预测背景”。解决确认 OHEM 的neg_pos_ratio生效了适当调小这个值同时检查 score map 的生成逻辑shrink_ratio太大导致小文本框消失也会造成正样本过少。可以先可视化几张 score map 看看正样本比例是否正常。5.3 推理框错位或尺寸不对现象检测框整体偏移或者框的大小和实际文本对不上。原因推理时图像缩放后没有正确映射回原图坐标或者 geometry map 的距离值没有按缩放比例还原。解决检查predict.py里缩放和还原的代码确保scale_x、scale_y在还原四边形时乘回去了。这个错误很隐蔽因为框的形状是对的只是位置偏了容易误以为是模型精度问题。5.4 显存不足或 batch 跑不动现象训练时CUDA out of memory。原因batch_size或input_size太大或者没有及时释放中间变量。解决先把batch_size降到 2 或 1 确认能跑再逐步往上加input_size从 512 降到 384 也能省不少显存。另外检查训练循环里有没有把 loss 之外的 tensor 一直挂在计算图上torch.no_grad()该加的地方要加。5.5 依赖版本冲突导致 shapely 报错现象后处理阶段报 shapely 相关的TopologyException或AttributeError。原因shapely 2.x 和旧代码里的 API 不兼容或者 NumPy 版本过新。解决把 shapely 降到 1.8.xNumPy 锁在 1.23 以下重装后重启环境。这类几何库的版本问题排查起来很费时间建议一开始就在requirements.txt里锁死版本。6. 二次开发换数据、调参和接业务在这个工程上做二次开发最常见的需求是换自己的数据。第一步是把标注转成工程能读的格式四边形坐标的顺序要和icdar_dataset.py里的解析逻辑对齐顺序错了框会扭曲。转完先抽几张可视化确认 score map 和 geometry map 生成正常再开始训练。第二步是调shrink_ratio和score_thresh这两个参数前者影响训练时正样本的生成后者影响推理时的召回小目标多的场景两个都要往小调。第三步是后处理的 NMS 阈值业务里如果文本行密集iou_thresh从 0.3 调到 0.4 左右能减少误删。验证改造效果时别只看整体 loss要分场景看召回和误检。我一般会准备三组图正常文本、小字体、密集文本每组跑一遍推理人工数一下漏检和误检的数量。只看 loss 曲线容易被平均值骗过去某个场景崩了但整体 loss 可能看不出来。改造点改动位置验证方法换数据集datasets/icdar_dataset.py的解析逻辑可视化 score map调召回score_thresh、shrink_ratio小字体场景漏检数调去重iou_thresh密集文本场景误删数换主干models/east_resnet.py对比推理速度和精度有个习惯我一直在用每次改完参数先把配置文件复制一份带日期后缀的备份再改。EAST 这套工程的参数之间耦合比较多改了一个忘了另一个回头想复现之前的效果都找不到原始配置。从那以后我每次动shrink_ratio和score_thresh都强制走一遍备份加三组图验证的流程省了不少后悔药。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/26 18:25:57 · 阅读 1.2k EAST文本检测工程实战：从环境配置到二次开发全解析
简介面向计算机视觉学习者与文本检测实践者的EAST模型资源包聚焦自然场景文字检测任务的复现与调试适合已具备一定深度学习基础、希望跑通EAST训练与推理流程的开发者参考。压缩包共约2000个文件总量约461.7MB其中4019张jpg图像与2000个npy数据文件构成训练与测试样本主体1006个txt文件多为标注与配置说明另有12个py脚本、4个h5模型权重及少量xml、png等辅助文件覆盖数据、代码与预训练权重三类核心内容。资源已有352人学习下载作者提供了可运行的检测实现读者可据此对照搭建数据读取、模型加载与检测输出流程理解EAST的多尺度特征融合与文本框回归思路并借助现成权重快速验证效果、排查训练中的常见问题减少从零复现的时间成本。1. 拿到一个 EAST 文本检测工程先别急着跑上周有个做票据识别的朋友丢过来一个压缩包说里面是 EAST 文本检测的完整工程问能不能直接跑。我打开一看目录里模型定义、训练脚本、推理入口、数据预处理都在但 README 基本是空的配置文件里路径全是作者本机的绝对路径。这种情况其实很常见——算法本身没问题卡住人的往往是工程细节。EASTEfficient and Accurate Scene Text Detector是场景文本检测里比较经典的一套方案核心思路是用一个全卷积网络直接回归文本框的几何参数省掉传统方法里那些候选框生成和逐步过滤的步骤速度上有优势。这个工程适合两类人一类是想快速跑通一个文本检测 demo、看看效果的新手另一类是准备在它基础上做二次开发、接自己业务数据的熟手。下面我按“这项目能干什么、怎么跑起来、核心代码长什么样、怎么改”的顺序拆一遍。2. 工程结构与技术栈从目录看这套 EAST 是怎么组织的2.1 目录布局与模块职责拿到压缩包解压后先别急着装依赖花五分钟把目录过一遍能省后面很多事。这类 EAST 工程常见的目录结构大致是这样east_text_detection/ ├── configs/ # 配置文件模型参数、训练超参、数据路径 │ └── east_r50.yaml ├── datasets/ # 数据加载与标注解析 │ ├── icdar_dataset.py │ └── transform.py ├── models/ # 网络定义 │ ├── east_resnet.py # backbone 特征融合 输出头 │ └── loss.py # 分类损失 回归损失 角度损失 ├── utils/ # 工具函数 │ ├── geometry.py # 框的几何计算、NMS │ └── visualize.py # 结果可视化 ├── train.py # 训练入口 ├── predict.py # 推理入口 └── requirements.txt这个布局是典型的“配置、数据、模型、工具、入口”五段式。models/east_resnet.py是核心里面通常包含三部分ResNet 主干做特征提取类似 FPN 的结构把不同尺度的特征图融合最后接一个输出头回归 score map 和 geometry map。datasets/负责把标注文件里的四边形坐标转成训练需要的 score map 和回归目标这一步是 EAST 训练里最容易出错的地方后面会细讲。utils/geometry.py里放的是框的 IoU 计算、局部感知 NMS 这些推理阶段离不开。2.2 技术栈与依赖从工程里的 import 能看出技术栈PyTorch 做深度学习框架OpenCV 做图像读写和可视化NumPy 做数值计算可能还有shapely用来处理多边形几何运算。requirements.txt里一般会列torch1.8 torchvision opencv-python numpy shapely pyyaml tqdm这里有个血泪经验shapely的版本和 NumPy 版本有兼容性问题新版 shapely 2.x 和旧版 NumPy 搭配时多边形相交计算可能报错。我一般会先把 shapely 锁在 1.8.x 这个区间等整个流程跑通再考虑升级。另外 OpenCV 建议装opencv-python而不是opencv-contrib-python除非你要用 contrib 里的额外模块否则多装的包只会增加冲突概率。2.3 配置文件里该看什么配置文件是这套工程的“黑匣子”入口跑之前必须逐项确认。以configs/east_r50.yaml为例常见字段包括字段含义常见默认值改的时候注意backbone主干网络类型resnet50换 backbone 要同步改输出通道input_size训练输入尺寸512必须是 32 的倍数batch_size批大小8显存不够先降这个lr学习率1e-4换 batch 要按比例调data_root数据根目录作者本机路径必须改成自己的pretrained预训练权重路径空或本机路径没有就留空从头训input_size必须是 32 的倍数因为主干网络有多次下采样特征图尺寸要对齐否则融合时维度对不上会直接报错。data_root和pretrained这两个字段是新手翻车重灾区作者打包时往往没清掉自己的绝对路径直接跑必然报“文件不存在”。3. 跑起来环境、数据与推理链路3.1 环境准备与依赖安装先建虚拟环境别在系统 Python 里直接装依赖冲突了很难回滚python -m venv east_env source east_env/bin/activate # Windows 用 east_env\Scripts\activate pip install -r requirements.txt装完先验证 PyTorch 能不能识别到 GPUimport torch print(torch.__version__) print(torch.cuda.is_available()) # 没有 GPU 会返回 FalseCPU 也能跑推理只是慢如果cuda.is_available()返回 False 但你确实有显卡多半是装的 CPU 版 torch去 PyTorch 官网按你的 CUDA 版本重新装。这一步别偷懒训练阶段 CPU 和 GPU 的差距是几十倍。3.2 数据准备与标注格式EAST 训练需要的是四边形标注常见格式是每行“图片路径,x1,y1,x2,y2,x3,y3,x4,y4,文本内容”。工程里的datasets/icdar_dataset.py会读这个文件然后把四边形转成两张图score map每个像素是不是文本和 geometry map每个像素到框四边的距离加一个角度。转换逻辑大致是def quad_to_target(quad, input_size, shrink_ratio0.3): # quad: 4x2 的四边形坐标 # 生成 score map把四边形往里收缩一点避免边界像素歧义 shrunk shrink_polygon(quad, shrink_ratio) score_map np.zeros((input_size, input_size), dtypenp.float32) cv2.fillPoly(score_map, [shrunk.astype(np.int32)], 1.0) # 生成 geometry map每个文本像素到四边的距离 角度 geo_map np.zeros((input_size, input_size, 5), dtypenp.float32) # 这里逐像素计算距离实际工程里会用向量化写法加速 return score_map, geo_mapshrink_ratio控制四边形收缩比例默认 0.3 左右。收缩太少边界像素的标签会模糊模型学不准收缩太多小文本框可能直接消失。这个参数对召回率影响明显小目标多的场景可以适当调小到 0.2。geo_map的 5 个通道分别是上、下、左、右四个距离加一个角度推理时靠这 5 个值把 score map 上的点还原成四边形。3.3 推理跑通与结果查看推理入口一般是predict.py典型用法python predict.py \ --config configs/east_r50.yaml \ --checkpoint weights/east_r50.pth \ --image test.jpg \ --output result.jpg跑之前确认--checkpoint指向的权重文件存在。如果压缩包里没带权重就得先训练或者找作者提供的下载说明。推理流程是读图 → 缩放到input_size→ 前向得到 score map 和 geometry map → 阈值过滤 → 用 geometry map 还原四边形 → 局部感知 NMS 去重 → 映射回原图坐标。utils/visualize.py里的draw_boxes会把结果画到图上跑完打开result.jpg就能看到检测框。提示第一次跑推理建议先用工程自带的示例图确认整条链路通了再换自己的图。直接上业务图出了问题分不清是环境问题还是数据问题。4. 核心代码拆解网络前向与后处理4.1 主干与特征融合models/east_resnet.py里的网络定义是理解这套工程的关键。主干用 ResNet取中间几个 stage 的输出做融合class EAST(nn.Module): def __init__(self, pretrainedTrue): super().__init__() resnet torchvision.models.resnet50(pretrainedpretrained) # 取四个 stage 的输出对应不同尺度 self.layer1 nn.Sequential(*list(resnet.children())[:5]) self.layer2 nn.Sequential(*list(resnet.children())[5]) self.layer3 nn.Sequential(*list(resnet.children())[6]) self.layer4 nn.Sequential(*list(resnet.children())[7]) # 融合层把不同尺度特征上采样到同一尺寸后 concat self.merge FeatureMerge(in_channels[256, 512, 1024, 2048]) # 输出头1 通道 score 5 通道 geometry self.score_head nn.Conv2d(128, 1, 1) self.geo_head nn.Conv2d(128, 5, 1)FeatureMerge做的事是把layer4的输出上采样和layer3的 concat再上采样和layer2的 concat逐级往上。这样既有深层语义又有浅层细节小文本框才不至于漏检。输出头用 1x1 卷积把通道压到 1 和 5分别对应 score map 和 geometry map。这里注意pretrainedTrue时第一次运行会去下载 ResNet 权重网络不通会卡住可以提前把权重文件放到 torch 的缓存目录。4.2 损失函数的三部分models/loss.py里损失由三块组成score map 的分类损失、geometry 的回归损失、角度的损失。分类损失常用带 OHEM在线难例挖掘的交叉熵因为文本像素和背景像素比例严重失衡不加难例挖掘模型会倾向于全预测背景def loss(self, score, geo, score_gt, geo_gt): # 分类损失只取最难的那部分样本算 loss score_loss ohem_binary_cross_entropy(score, score_gt, neg_pos_ratio3) # 回归损失只在文本区域内计算背景像素不参与 geo_loss masked_l1_loss(geo, geo_gt, score_gt) # 角度损失用 cos 差异避免角度周期性带来的跳变 angle_loss masked_angle_loss(geo, geo_gt, score_gt) return score_loss geo_loss angle_lossneg_pos_ratio3表示负样本最多取正样本的 3 倍这个比例调大能提升召回但可能引入更多误检。masked_l1_loss里的 mask 就是 score_gt只有文本像素的回归才有意义。角度损失用 cos 而不是直接回归角度值是因为角度有周期性直接回归在 0 和 2π 附近会跳变用 cos 差异更稳定。4.3 后处理从像素到四边形推理阶段的后处理在utils/geometry.py核心是把 geometry map 还原成框再做 NMSdef decode(score_map, geo_map, score_thresh0.5): # 1. 阈值过滤拿到候选文本像素 ys, xs np.where(score_map score_thresh) boxes [] for y, x in zip(ys, xs): # 2. 用该像素的四个距离还原四边形 d_top, d_bottom, d_left, d_right, angle geo_map[y, x] box distances_to_quad(x, y, d_top, d_bottom, d_left, d_right, angle) boxes.append(box) # 3. 局部感知 NMS 去重 keep locality_aware_nms(boxes, score_map, iou_thresh0.3) return keepscore_thresh默认 0.5调低能提升召回但误检变多票据这类背景干净的场景可以降到 0.3。iou_thresh0.3是 NMS 的去重阈值文本行密集的场景调高一点避免把相邻行误删。locality_aware_nms和普通 NMS 的区别在于它考虑了框的合并对长文本行更友好。5. 避坑与排查跑 EAST 工程最容易翻车的几处5.1 报“文件不存在”或路径错误现象一运行就报FileNotFoundError指向配置文件里的某个路径。原因作者打包时没清掉本机绝对路径data_root、pretrained、checkpoint这些字段还指向原作者的目录。解决打开配置文件把所有绝对路径改成相对路径或你自己的路径训练和推理脚本里的默认参数也检查一遍。我一般会全局搜一下/home/和C:\这类前缀一次性清干净。5.2 训练 loss 不降或全预测背景现象训练几个 epoch 后 loss 几乎不动推理出来一个框都没有。原因文本像素和背景像素比例失衡分类损失被背景主导模型学成了“全预测背景”。解决确认 OHEM 的neg_pos_ratio生效了适当调小这个值同时检查 score map 的生成逻辑shrink_ratio太大导致小文本框消失也会造成正样本过少。可以先可视化几张 score map 看看正样本比例是否正常。5.3 推理框错位或尺寸不对现象检测框整体偏移或者框的大小和实际文本对不上。原因推理时图像缩放后没有正确映射回原图坐标或者 geometry map 的距离值没有按缩放比例还原。解决检查predict.py里缩放和还原的代码确保scale_x、scale_y在还原四边形时乘回去了。这个错误很隐蔽因为框的形状是对的只是位置偏了容易误以为是模型精度问题。5.4 显存不足或 batch 跑不动现象训练时CUDA out of memory。原因batch_size或input_size太大或者没有及时释放中间变量。解决先把batch_size降到 2 或 1 确认能跑再逐步往上加input_size从 512 降到 384 也能省不少显存。另外检查训练循环里有没有把 loss 之外的 tensor 一直挂在计算图上torch.no_grad()该加的地方要加。5.5 依赖版本冲突导致 shapely 报错现象后处理阶段报 shapely 相关的TopologyException或AttributeError。原因shapely 2.x 和旧代码里的 API 不兼容或者 NumPy 版本过新。解决把 shapely 降到 1.8.xNumPy 锁在 1.23 以下重装后重启环境。这类几何库的版本问题排查起来很费时间建议一开始就在requirements.txt里锁死版本。6. 二次开发换数据、调参和接业务在这个工程上做二次开发最常见的需求是换自己的数据。第一步是把标注转成工程能读的格式四边形坐标的顺序要和icdar_dataset.py里的解析逻辑对齐顺序错了框会扭曲。转完先抽几张可视化确认 score map 和 geometry map 生成正常再开始训练。第二步是调shrink_ratio和score_thresh这两个参数前者影响训练时正样本的生成后者影响推理时的召回小目标多的场景两个都要往小调。第三步是后处理的 NMS 阈值业务里如果文本行密集iou_thresh从 0.3 调到 0.4 左右能减少误删。验证改造效果时别只看整体 loss要分场景看召回和误检。我一般会准备三组图正常文本、小字体、密集文本每组跑一遍推理人工数一下漏检和误检的数量。只看 loss 曲线容易被平均值骗过去某个场景崩了但整体 loss 可能看不出来。改造点改动位置验证方法换数据集datasets/icdar_dataset.py的解析逻辑可视化 score map调召回score_thresh、shrink_ratio小字体场景漏检数调去重iou_thresh密集文本场景误删数换主干models/east_resnet.py对比推理速度和精度有个习惯我一直在用每次改完参数先把配置文件复制一份带日期后缀的备份再改。EAST 这套工程的参数之间耦合比较多改了一个忘了另一个回头想复现之前的效果都找不到原始配置。从那以后我每次动shrink_ratio和score_thresh都强制走一遍备份加三组图验证的流程省了不少后悔药。希望帮到你。本文还有配套的精品资源点击获取