Normál képekből tanuló anomáliafelismerést vezet be a Roboflow

Tanuld meg, milyen a normál állapot

A Roboflow október 28-án jelentette be az anomáliafelismerés támogatását, felhőben vagy saját hardveren történő futtatással. Az anomália olyan képrészlet, amely eltér a megtanult normál megjelenéstől. Az ellenőrzést végző csapatok jó állapotú termékek képeiből indulhatnak ki. A vállalat azt javasolja, hogy egyetlen tárgyra vágják a képeket, és valóban normál példákat tartsanak a tanítóhalmazban: a normálnak címkézett hiba rossz viszonyítási alapot tanít.

Válaszd szét a tanítást és az ellenőrzést

A feladat dokumentációja Anomaly Detection projekt létrehozásával kezd, ezt követi a képek feltöltése, majd normál vagy rendellenes címkézése. A modell kizárólag normál képekből tanul. A rendellenes példák a validációs és teszthalmazba tartoznak, ahol a döntési küszöb meghatározását és a pontosság mérését segítik. Ezután készíts adathalmaz-verziót kizárólag automatikus tájolással és Stretch to átméretezéssel, adataugmentáció, vagyis mesterségesen változtatott tanítópéldák nélkül, majd válaszd a PatchCore vagy FoundAD tanítását. A tanítás után szerver nélküli API, dedikált telepítés vagy saját hardveren futó Roboflow Inference használható.

Értelmezd helyesen a pontszámot

A PatchCore API leírása megkülönbözteti a nyers anomáliapontszámot a tanításkor mentett küszöbtől. A pontszámnak nincs rögzített tartománya. A confidence kimenet nem a hiba létezésének valószínűsége: a rendellenes osztályhoz tartozó confidence a küszöbnél 0,5. A hőtérkép az eltérések helyét jelző térbeli tömb; opcionális, és az include_anomaly_map=True beállítást igényli. A modell bemeneti méreteit használja; a leírás szerint az eredeti képre helyezéshez annak méreteire kell nyújtani.