clean-fid

让 FID 分数更可信,生成模型评估不踩坑

clean-fid 是一个用于计算 FID(Frechet Inception Distance)分数的 PyTorch 工具库,由 CVPR 2022 论文提出。它解决了传统 FID 计算中因图像预处理(如缩放和量化)不一致而导致的分数偏差问题,使得不同方法之间的 FID 分数具有可比性。核心能力包括:提供与原始 FID 实现一致的图像处理流程(双线性插值、量化到 [0,255]),支持从文件夹或内存中加载图像,并内置多种数据集(如 ImageNet、CIFAR-10)的统计特征,方便快速评估生成模型。该库接口简洁,易于集成到现有训练或评估流程中,是生成模型研究社区广泛使用的标准评估工具。

开源 free 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 1169
维护状态 低维护
是否开源
定价模式 free

项目数据

分类图像生成
开发团队GaParmar
所属国家
定价模式free
价格说明开源项目,MIT许可证,完全免费,可自行部署使用。
访问状态
是否开源
开源协议MIT
主要语言Python
技术栈/模型computer-graphics,computer-vision,deep-learning,fid,fid-calculation,fid-score,frechet-distance,frechet-inception-distance,gan,generative-adversarial-network,image-generation,image-manipulation,pytorch
GitHub 星标★ 1169
30天Star增速
HF 下载量
上线时间2021-04-23 00:00:00
最近更新2026-09-16 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3

使用教程

难度:入门 约 5 分钟 部署方式:库/依赖 3 步

环境要求

  • Python 环境(项目使用 Python 语言开发)
  • 已安装 pip 包管理工具
  • 已安装 PyTorch(clean-fid 为 PyTorch 工具库)
  • 可访问 PyPI 的网络环境

安装与启动步骤

  1. 1安装 clean-fid

    使用 pip 从 PyPI 安装该库,README 的 Quick Start 给出的唯一安装方式,建议在虚拟环境中执行。

    pip install clean-fid
  2. 2确认安装结果

    查看已安装包的信息,确认 clean-fid 出现在列表中且版本号正常,说明安装成功。

    pip show clean-fid
  3. 3查阅 FID 计算示例

    README 提供 Computing FID 章节与 Colab-FID 示例,按其中代码调用即可计算分数,本段未给出具体接口。

如何确认成功

执行 pip show clean-fid,能输出该包的名称、版本和安装路径即表示安装成功。

常见问题

Q:计算 FID 需要自己准备数据集统计特征吗?

A:不需要。该库内置了 ImageNet、CIFAR-10 等常用数据集的统计特征,可直接用于评估,省去自行统计的步骤。

Q:为什么不同论文的 FID 分数没有可比性?

A:不同实现使用的图像缩放与量化方式不一致,尤其缩放函数常实现错误。clean-fid 统一采用双线性插值与量化到 [0,255] 的流程来消除偏差。

Q:除了 FID 还支持哪些指标?

A:README 中另提供 Computing KID 章节,并新增了使用 CLIP 特征计算 FID 的支持,可参考对应章节使用。

Q:不想本地安装可以先试用吗?

A:可以。README 提供了 Colab-FID 与 Colab-Resize 两个在线笔记本链接,可直接在浏览器中运行体验。

注意事项

  • README 中未给出除 pip install clean-fid 之外的其他安装方式,不建议自行尝试源码安装。
  • 具体 API 调用与参数请以 README 的 Computing FID、Computing KID、Computing CLIP FID 章节及官网文档为准。
  • 使用前请确保 PyTorch 环境正常,否则库无法运行。
  • 详细说明可参考官网 https://www.cs.cmu.edu/~clean-fid 及论文 arXiv:2104.11222。

核心亮点

  • 修正了图像缩放和量化步骤,使 FID 计算与原始实现一致,结果更可靠
  • 内置常用数据集统计特征,开箱即用,无需额外下载
  • 支持内存和文件夹两种图像加载方式,灵活适配不同场景

不足之处

  • 仅支持 PyTorch,对 TensorFlow 或 JAX 用户不友好
  • 文档相对简略,高级用法(如自定义特征提取)示例不足

适用场景

  • 评估 GAN 或扩散模型的生成质量,对比不同模型的 FID 分数
  • 在论文或实验中需要复现标准 FID 指标,确保与官方结果一致
  • 快速验证生成模型训练过程中的性能变化,监控模型收敛情况

替代项目

pytorch-fid、torchmetrics、FID_score

项目介绍

clean-fid 是评测安全领域的开源项目,由 GaParmar 开发,2021 年首次发布。

在全站 13,014 个收录项目中,它的 GitHub 星标数(1,169)位列前 30%,在评测安全分类中处于中上游。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-16。MIT许可证,完全免费,可自行部署使用。

它主要面向的使用场景是:评估GAN或扩散模型的生成质量,对比不同模型的FID分数。同类可对比的替代方案包括 pytorch-fid、torchmetrics、FID_score。

上一篇:DreamLayer-Eval

下一篇:VIEScore

同类项目推荐

akto 开源

给 AI 应用做安全体检,防提示注入和数据泄露

Akto is the fastest growing AI Security platform for your teams to secure AI agents,···

★ 1517 2026-08-20
XSafeClaw 开源

给 AI 智能体装上安全盾,自动红队测试找漏洞

Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University

★ 164 2026-08-10
deepteam 开源

自动模拟越狱攻击,提前测出 LLM 安全漏洞

DeepTeam is a framework to red team LLMs and AI agents.

★ 2937 2026-09-12
Tracely-ai 开源

把生产事故变成回归测试,合并前自动拦截 AI 故障

Trace-native CI/CD for AI agents — production failures become regression tests that···

★ 1362 2026-08-24