视觉异常检测库Anomalib

Code

https://github.com/openvinotoolkit/anomalib
由于anomalib v1版本未正式发布，因此我拉取的是main分支的代码，后续也会及时追踪官方更新。可能git历史上传了图像数据或者模型，文件较大。
使用拉取代码：

git clone -b main git@github.com:openvinotoolkit/anomalib.git

当然也可以下载打包的压缩文件，文件就小得多。

安装

conda create -n anomalib_env python=3.10
conda activate anomalib_env
cd anomalib
pip install -e .	# 开发者模式安装

运行

以默认算法padim举例，训练阶段是不需要完成模型权重更新的，对训练集提取特征正样本建模即可。
运行训练代码为：

python tool/train.py

默认会使用padim算法，使用resnet18作为特征提取网络。
默认是使用mvtec数据集的bottle数据，如果没有mvtec数据会自动下载到指定默认位置。

最终会保存一个模型文件，注意新增了部分参数，如图像级别和像素级别的异常得分阈值，padim会增加建模用到的多元高斯分布参数等。
同时提供测试集测试评估和可视化。

自定义数据训练

anomalib提供了多种数据格式：mvtec、btech、visa等。部分数据已有数据集实现类，但项目并不支持。具体支持的数据集格式请全局搜索函数get_datamodule。
在src\anomalib\models下有各个算法的实现及该算法的默认运行配置文件config.yaml。配置文件基本都是mvtec的数据格式，可以将数据转换成mvtec数据格式，复制配置文件并修改dataset.path和dataset.category即可。
mvtec数据格式如下：

|-- root
	|-- category1
		|-- train
			|-- good
		|-- test
			|-- good
			|-- defect1
			|-- defect2
		|-- ground_truth
			|-- defect1
			|-- defect2

最好也修改一下配置的结果保存路径project.path。
训练时使用"–config your_config.yaml"将该配置文件路径传入。

推断

运行脚本tools/inference/lightning_inference.py，如：

python .\tools\inference\lightning_inference.py --config D:\code\AnomalyDetection\anomalib\results\padim\mvtec\bottle\run\config.yaml --weights D:\code\AnomalyDetection\anomalib\results\padim\mvtec\bottle\run\weights\lightning\model.ckpt --input D:\code\AnomalyDetection\anomalib\datasets\MVTec_\bottle_copy\test\contamination --out contamination_result

推断良品和其中的一个缺陷结果如下：

最后

看上去这是个不错的项目，期待anomalib v1.0的发布！！