PatchCore-Inspection 开源项目教程

PatchCore-Inspection 开源项目教程

patchcore-inspection项目地址:https://gitcode.com/gh_mirrors/pa/patchcore-inspection

项目介绍

PatchCore-Inspection 是由 Amazon Science 开发的一个用于工业异常检测的开源项目。该项目基于 Roth 等人的研究，旨在实现 "Total Recall" 在工业异常检测中的应用。PatchCore 通过提取和记忆预训练的局部聚合训练补丁特征来识别异常，适用于多种工业场景。

项目快速启动

环境准备

在开始之前，请确保您的环境中已安装以下依赖：

• Python 3.x
• PyTorch
• Click
• Faiss

克隆项目

首先，克隆项目到本地：

git clone https://github.com/amazon-science/patchcore-inspection.git
cd patchcore-inspection

训练模型

使用提供的脚本进行模型训练：

python bin/run_patchcore.py \
    --gpu <gpu_id> \
    --seed <seed> \
    --save_patchcore_model \
    --log_online \
    --log_group IM224_WR50_L2-3_P01_D1024-1024_PS-3_AN-1_S0 \
    --log_project MVTecAD_Results

评估模型

评估预训练的 PatchCore 模型：

python bin/load_and_evaluate_patchcore.py \
    --gpu <gpu_id> \
    --seed <seed> \
    --savefolder <savefolder> \
    patch_core_loader "$[model_flags[@]]" \
    --faiss_on_gpu \
    dataset \
    --resize 366 \
    --imagesize 320 \
    "$[dataset_flags[@]]" \
    mvtec \
    $datapath

应用案例和最佳实践

应用案例

PatchCore 在多个工业场景中表现出色，例如：

• 瓶子检测：识别瓶子表面的缺陷。
• 电缆检测：检测电缆的异常。
• 胶囊检测：识别胶囊的缺陷。

最佳实践

• 数据准备：确保数据集的质量和多样性。
• 参数调优：根据具体应用场景调整模型参数。
• 模型集成：使用多个 PatchCore 模型的集成来提高检测性能。

典型生态项目

PatchCore-Inspection 项目与其他开源项目结合使用，可以进一步增强其功能和应用范围：

• MVTec AD：一个广泛使用的异常检测数据集，适用于训练和评估 PatchCore 模型。
• PyTorch：深度学习框架，用于实现和训练 PatchCore 模型。
• Faiss：用于高效的相似性搜索和聚类，提升 PatchCore 的性能。

通过结合这些生态项目，PatchCore-Inspection 可以更好地服务于工业异常检测的需求。

patchcore-inspection项目地址:https://gitcode.com/gh_mirrors/pa/patchcore-inspection