pytorch-grad-cam

一键生成热力图，看清 AI 模型到底在看哪里

pytorch-grad-cam 是一个用于计算机视觉模型可解释性的高级工具库，基于 PyTorch 实现 Grad-CAM 及其多种变体。它解决了深度学习模型“黑盒”问题，帮助开发者直观理解模型关注图像的哪些区域。核心能力包括：支持 CNN、Vision Transformer 等主流架构，覆盖图像分类、目标检测、语义分割、图像相似度等任务；提供 Grad-CAM、Grad-CAM++、Score-CAM、Ablation-CAM 等十余种 CAM 算法；支持批量处理、自定义层选择、可视化结果保存。通过生成热力图，用户能快速定位模型决策依据，用于模型调试、错误分析、论文实验等场景。项目 API 简洁，文档完善，社区活跃，是 AI 可解释性领域广泛使用的工具。

开源 free 评测安全

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 12980

维护状态维护中

是否开源是

定价模式 free

项目数据

分类评测安全

开发团队jacobgil

所属国家

官网地址https://jacobgil.github.io/pytorch-gradcam-book

GitHubhttps://github.com/jacobgil/pytorch-grad-cam

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

是否开源是

开源协议MIT

主要语言Python

技术栈/模型class-activation-maps,computer-vision,deep-learning,explainable-ai,explainable-ml,grad-cam,image-classification,interpretability,interpretable-ai,interpretable-deep-learning,machine-learning,object-detection,pytorch,score-cam,vision-transformers,visualizations,xai

GitHub 星标★ 12980

30天Star增速

HF 下载量

上线时间2017-05-31 00:00:00

最近更新2026-09-22 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数6

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

Python 环境（README 未注明最低版本）
已安装 PyTorch
torchvision（README 示例使用 resnet50）
可选：CUDA / MPS / HPU 设备以加速推理

安装与启动步骤

1安装 grad-cam

使用 pip 从 PyPI 安装官方包，包名为 grad-cam，导入时模块名为 pytorch_grad_cam。
```
pip install grad-cam
```

2加载模型与图像

按 README 示例用 torchvision 加载 resnet50，指定 target_layers（如 model.layer4[-1]），并自行准备 input_tensor 输入张量。

from pytorch_grad_cam import GradCAM, HiResCAM, ScoreCAM, GradCAMPlusPlus, AblationCAM, XGradCAM, EigenCAM, FullGrad
from pytorch_grad_cam.utils.model_targets import ClassifierOutputTarget
from pytorch_grad_cam.utils.image import show_cam_on_image
from torchvision.models import resnet50, ResNet50_Weights

model = resnet50(weights=ResNet50_Weights.DEFAULT)
target_layers = [model.layer4[-1]]

3运行示例脚本

README 提供的 cam.py 示例脚本，需传入图像路径、CAM 方法名和结果输出目录，运行后生成可视化结果。
```
python cam.py --image-path  --method  --output-dir 
```
4指定运行设备

默认设备外可用 --device 切换为 cpu、cuda、cuda:0、mps 或 hpu，其他参数与上一步相同。
```
python cam.py --image-path  --device cuda --output-dir 
```
5调整批大小

ScoreCAM、AblationCAM 等方法需要大量前向传播，可用 cam.batch_size 属性控制批量大小以提升效率。
```
cam.batch_size = 8
```

关键配置

配置项	必填	说明	示例
`image-path`	是	示例脚本的输入图像路径	`--image-path ./examples/cat.jpg`
`output-dir`	是	CAM 可视化结果的输出目录	`--output-dir ./outputs`
`method`	否	选择 CAM 方法，如 GradCAM、ScoreCAM、LayerCAM 等	`--method GradCAM`
`device`	否	运行设备：cpu、cuda、cuda:0、mps 或 hpu	`--device cuda`
`batch_size`	否	Python 中通过 cam.batch_size 控制批量大小	`cam.batch_size = 8`

如何确认成功

示例脚本运行结束后，可在 output-dir 指定的目录中看到生成的 CAM 热力图可视化图片。

常见问题

Q：支持哪些 CAM 方法？

A：可选 GradCAM、HiResCAM、ScoreCAM、GradCAMPlusPlus、AblationCAM、XGradCAM、LayerCAM、FullGrad、EigenCAM、ShapleyCAM、FinerCAM、SegEigenCAM、RefineCAM。

Q：ScoreCAM、AblationCAM 运行很慢怎么办？

A：它们需要大量前向传播，README 说明其提供批量实现，可通过设置 cam.batch_size 控制批大小来改善效率。

Q：如何用 GPU 运行示例脚本？

A：在命令中加上 --device 参数，例如 --device cuda、--device cuda:0，也支持 mps、hpu 和 cpu。

Q：能用于哪些任务和模型？

A：README 称已测试常见 CNN 网络与 Vision Transformer，支持图像分类、目标检测、语义分割、嵌入相似度等场景。

注意事项

cam.py 是仓库自带的示例脚本，README 未给出获取仓库的克隆命令，请自行从 GitHub 项目页获取。
README 未注明 Python 或 PyTorch 的最低版本要求，环境不兼容时请参考官方文档。
使用自己的模型时需自行构造 input_tensor 并正确指定 target_layers，否则无法生成 CAM。
进阶教程与更多用法见官方文档 https://jacobgil.github.io/pytorch-gradcam-book 。

核心亮点

支持 10+ 种 CAM 变体，如 Grad-CAM、Score-CAM、Ablation-CAM，覆盖主流需求
兼容 CNN 和 ViT，支持分类、检测、分割等任务，应用面广
API 设计简洁，几行代码即可生成热力图，上手成本低

不足之处

对超大模型或高分辨率图像，计算热力图耗时较长
部分 CAM 变体（如 Ablation-CAM）计算开销大，影响效率
文档/社区待观察

适用场景

模型调试：定位模型误分类原因，检查是否关注错误特征
学术研究：在论文中可视化模型注意力，增强可解释性论证
工业质检：验证模型是否基于缺陷区域做判断，提升可信度

替代项目

captum、torchcam、tf-explain

项目介绍

pytorch-grad-cam 是评测安全领域的开源项目，由 jacobgil 开发，2017 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（12,980）位列前 4%，在评测安全分类的 458 个项目里位列前 3%。

近 44 天，它的 GitHub 星标从 12,951 增加到 12,980，净增 29。

项目仍在小幅维护中，最近一次代码更新于 2026-09-22。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：模型调试：定位模型误分类原因，检查是否关注错误特征。同类可对比的替代方案包括 captum、torchcam、tf-explain。

上一篇：ai-safe2-framework

下一篇：Object-Detection-Metrics