用于基准测试、开发和部署深度学习异常检测算法的库

👋 简介

Anomalib是一个深度学习库，旨在收集最先进的异常检测算法，以便在公共和私有数据集上进行基准测试。Anomalib提供了几种最新文献中描述的异常检测算法的现成实现，以及一套便于开发和实现自定义模型的工具。该库重点关注视觉异常检测，其目标是检测和/或定位数据集中图像或视频内的异常。Anomalib不断更新新的算法和训练/推理扩展，所以请持续关注！

Anomalib的预测结果

主要特点

简单且模块化的API和CLI，用于训练、推理、基准测试和超参数优化。
最大的公开深度学习异常检测算法和基准数据集集合。
基于Lightning的模型实现，减少样板代码，将实现工作限制在最基本的内容上。
大多数模型可以导出为OpenVINO中间表示（IR），以在Intel硬件上加速推理。
一套推理工具，用于快速轻松地部署标准或自定义异常检测模型。

📦 安装

Anomalib提供两种安装库的方法。第一种是通过PyPI，第二种是通过本地安装。如果你想使用库而不对源代码进行任何更改，建议使用PyPI安装。如果你想对库进行更改，则建议进行本地安装。

从PyPI安装

使用pip安装库是开始使用anomalib最简单的方法。

pip install anomalib

这将使用pyproject.toml文件中的依赖项安装Anomalib CLI。Anomalib CLI是用于训练、推理、基准测试和超参数优化的命令行界面。如果你想将库作为Python包使用，可以使用以下命令安装：

# 获取安装参数的帮助
anomalib install -h

# 安装完整包
anomalib install

# 详细输出安装过程
anomalib install -v

# 仅安装核心包选项，用于通过Torch和Lightning训练和评估模型
anomalib install --option core

# 仅安装OpenVINO选项。这对于边缘部署很有用，因为wheel包大小较小。
anomalib install --option openvino

从源代码安装

要从源代码安装，你需要克隆仓库并使用pip以可编辑模式安装库。

# 强烈建议使用虚拟环境
# 使用conda
yes | conda create -n anomalib_env python=3.10
conda activate anomalib_env

# 或使用你喜欢的虚拟环境
# ...

# 克隆仓库并以可编辑模式安装
git clone https://github.com/openvinotoolkit/anomalib.git
cd anomalib
pip install -e .

# 获取安装参数的帮助
anomalib install -h

# 安装完整包
anomalib install

# 详细输出安装过程
anomalib install -v

# 仅安装核心包选项，用于通过Torch和Lightning训练和评估模型
anomalib install --option core

# 仅安装OpenVINO选项。这对于边缘部署很有用，因为wheel包大小较小。
anomalib install --option openvino

🧠 训练

Anomalib支持基于API和CLI的训练。API更灵活，允许更多自定义，而CLI训练使用命令行界面，对于那些希望开箱即用的人来说可能更容易。

通过API训练

# 导入所需模块
from anomalib.data import MVTec
from anomalib.models import Patchcore
from anomalib.engine import Engine

# 初始化数据模块、模型和引擎
datamodule = MVTec()
model = Patchcore()
engine = Engine()

# 训练模型
engine.fit(datamodule=datamodule, model=model)

通过CLI训练

# 获取训练参数的帮助，运行：
anomalib train -h

# 使用默认值进行训练
anomalib train --model Patchcore --data anomalib.data.MVTec

# 通过覆盖参数进行训练
anomalib train --model Patchcore --data anomalib.data.MVTec --data.category transistor

# 使用配置文件进行训练
anomalib train --config <path/to/config>

🤖 推理

Anomalib包含多个推理脚本，包括Torch、Lightning、Gradio和OpenVINO推理器，用于使用训练/导出的模型进行推理。这里我们展示一个使用Lightning推理器的推理示例。对于其他推理器，请参阅推理文档。

通过API进行推理

以下示例演示了如何通过加载检查点文件来执行Lightning推理。

# 假设已从前面的步骤初始化了datamodule、model和engine，
# 可以通过检查点文件进行预测，如下所示：
predictions = engine.predict(
    datamodule=datamodule,
    model=model,
    ckpt_path="path/to/checkpoint.ckpt",
)

通过CLI进行推理

# 要获取参数帮助，请运行：
anomalib predict -h

# 使用默认值进行预测。
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTec \
                 --ckpt_path <path/to/model.ckpt>

# 覆盖参数进行预测。
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTec \
                 --ckpt_path <path/to/model.ckpt>
                 --return_predictions

# 使用配置文件进行预测。
anomalib predict --config <path/to/config> --return_predictions

⚙️ 超参数优化

Anomalib支持使用wandb和comet.ml进行超参数优化（HPO）。更多详情请参阅HPO文档

通过API进行HPO

# 将在v1.1版本中启用

通过CLI进行HPO

以下示例演示了如何对Patchcore模型执行HPO。

anomalib hpo --backend WANDB  --sweep_config tools/hpo/configs/wandb.yaml

🧪 实验管理

Anomalib通过pytorch lightning loggers集成了各种实验跟踪库，如Comet、tensorboard和wandb。更多信息请参阅日志记录文档

通过API进行实验管理

# 将在v1.1版本中启用

通过CLI进行实验管理

以下是如何启用超参数、指标、模型图和测试数据集图像预测的日志记录示例。

首先需要修改config.yaml文件以启用日志记录。以下示例展示了如何启用日志记录：

# 在此处放置实验管理配置。

# 在此处放置实验管理CLI命令。

📊 基准测试

Anomalib提供了一个基准测试工具，用于评估给定数据集上异常检测模型的性能。基准测试工具可用于评估模型在给定数据集上的性能，或比较多个模型在给定数据集上的性能。

Anomalib中的每个模型都在一组数据集上进行了基准测试，结果可在src/anomalib/models/<type>/<model_name>/README.md中找到。例如，Patchcore模型的MVTec AD结果可在相应的README.md文件中找到。

通过API进行基准测试

# 将在v1.1版本中启用

通过CLI进行基准测试

要运行基准测试工具，请执行以下命令：

anomalib benchmark --config tools/benchmarking/benchmark_params.yaml

✍️ 引用

如果您使用并喜欢这个库，请使用以下方式引用它 🤗

@inproceedings{akcay2022anomalib,
  title={Anomalib: A deep learning library for anomaly detection},
  author={Akcay, Samet and Ameln, Dick and Vaidya, Ashwin and Lakshmanan, Barath and Ahuja, Nilesh and Genc, Utku},
  booktitle={2022 IEEE International Conference on Image Processing (ICIP)},
  pages={1706--1710},
  year={2022},
  organization={IEEE}
}

👥 贡献

对于那些想为这个库做出贡献的人，请查看CONTRIBUTING.md了解详情。

感谢所有已经做出贡献的人 - 我们感谢你们的支持！