1. 为什么工业缺陷检测需要无监督学习?
如果你在工厂里干过视觉检测,肯定对“标数据”这三个字深恶痛绝。我以前用YOLO做金属表面缺陷检测,每天对着几千张图片画框,眼睛都快看瞎了。这还不是最痛苦的,最要命的是,产线上拍回来的图片,99%都是良品,只有那么一两张有划痕、凹坑或者脏污。这就叫样本极不平衡。你用这些数据去训练一个有监督模型,模型眼里全是“好零件”,它根本学不会什么是“坏零件”,效果自然稀烂。
更现实的情况是,有些缺陷可能在你收集数据的一个月里压根就没出现过。等你模型上线了,产线上突然冒出来一种新型缺陷,你的模型直接就“瞎”了,因为它从来没见过这种“坏样子”。这时候产线停线,老板找你谈话,那滋味可不好受。
所以,我后来彻底转向了无监督学习。它的思路特别聪明:我只给你看“好零件”长什么样。模型通过大量学习良品图片的特征,在心里建立一个“标准好零件”的模板。一旦来了一个零件,模型就会把它和心里的“标准模板”做对比。如果某个地方的特征对不上,模型就会觉得“哎,这里不对劲”,然后把这个“不对劲”的地方用热力图的形式标出来,告诉你这里可能有缺陷。
这种方法完美避开了两个大坑:一是你不用再去海量标注缺陷数据了,只需要收集正常的图片就行;二是它天生就能发现“未知类型”的缺陷,因为任何偏离“正常模式”的都会被标记为异常。这对于工业上那些罕见、多变的缺陷来说,简直是救命稻草。
在众多无监督异常检测算法里,Padim(Patch Distribution Modeling)是我觉得特别适合工业落地的一个。它不像有些算法那么复杂,原理直观,速度快,而且效果非常稳定。而Anomalib这个开源库,就像给我们这些工程师送了一个装满宝物的工具箱,把Padim、FastFlow这些顶尖算法都集成好了,我们直接拿来用就行,省去了从头复现论文的麻烦。
接下来,我就手把手带你走一遍整个流程:从零开始,用Anomalib和Padim算法训练你自己的缺陷检测模型,最后把它变成轻便的ONNX格式,方便部署到各种边缘设备上。整个过程,我会把踩过的坑和调优的技巧都告诉你。
2. 搭建你的Anomalib开发环境
工欲善其事,必先利其器。第一步就是把环境搞顺畅,避免后面各种莫名其妙的报错。我强烈建议使用Python虚拟环境,这样能和系统其他Python项目隔离开,非常干净。
2.1 创建并激活虚拟环境
打开你的终端(Linux/Mac)或者Anaconda Prompt(Windows),我们一步步来。
# 1. 新建一个专门用于anomalib的文件夹,并进入
mkdir anomalib_project && cd anomalib_project
# 2. 创建Python虚拟环境,这里用python3.8,比较稳定
python3.8 -m venv anomalib_env
# 3. 激活虚拟环境
# 在Linux/Mac上:
source anomalib_env/bin/activate
# 在Windows上:
anomalib_env\Scripts\activate
激活后,你的命令行前面应该会出现 (anomalib_env) 的提示,这表示你已经在这个独立的环境里了。
2.2 安装PyTorch和Anomalib
PyTorch的安装需要去官网根据你的CUDA版本选择命令。如果你没有GPU或者不想折腾CUDA,就安装CPU版本。这里以CUDA 11.3为例。
# 安装PyTorch(请根据你的情况去PyTorch官网获取最新命令)
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
# 安装Anomalib库
pip install anomalib
安装Anomalib的时候,它会自动安装很多依赖,比如PyTorch Lightning、OpenCV等等,稍微等一会儿。如果一切顺利,输入 python -c “import anomalib; print(anomalib.__version__)” 应该能看到版本号。
2.3 获取源码(可选但推荐)
虽然我们通过pip安装了库,但我强烈建议你把Anomalib的GitHub源码也克隆下来。因为里面有很多示例代码、配置文件和数据集的参考结构,后续我们修改配置、查看推理脚本都会非常方便。
# 克隆Anomalib仓库
git clone https://github.com/openvinotoolkit/anomalib.git
cd anomalib
克隆下来后,你会看到一个结构清晰的目录。对我们最重要的几个文件夹是:
anomalib/models/:所有算法模型都在这里,包括我们要用的padim。anomalib/models/padim/config.yaml:Padim算法的核心配置文件,训练的所有秘密都在这里。tools/train.py:统一的训练入口脚本。tools/inference/:里面提供了多种推理脚本,比如用PyTorch推理的、用OpenVINO推理的。
环境准备好,源码也在了,我们就可以开始准备最关键的“食材”了——你自己的数据集。
3. 准备你的工业缺陷数据集
你的数据集结构,直接决定了训练脚本能不能正确读取数据。Anomalib支持多种格式,对于我们自己收集的数据,用 “folder
264



被折叠的 条评论
为什么被折叠?



