异常检测Anomalib现存小bug记录

最新推荐文章于 2025-10-31 16:47:03 发布

原创最新推荐文章于 2025-10-31 16:47:03 发布 · 569 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #bug

本文探讨了使用Anomalib时遇到的问题，包括训练数据一致性依赖于测试集、数据类的可移植性、自定义数据集配置调整以及训练时测试集对可视化效果的影响。作者提供了关键代码片段和解决方案建议。

初试Anomalib，发现了几个小问题：

1. 相同训练数据，模型和seed均相同，但训练出的模型不一致

以MVTec数据集为例，测试集中存在良性数据（test/good）和不存在良性数据训练出的模型有一定差距。但只需在test/good目录中随便加入一个良性数据，即便该数据非良性，训练出的模型就会一致。

查看模型检查点代码如下：

import pytorch_lightning as pl
from pytorch_lightning.plugins.io import TorchCheckpointIO as tcio
ckpt_path = 'results/fastflow/mvtec/bottle/run/weights/lightning/model.ckpt'
tc = tcio()
ckpt_dict = tc.load_checkpoint(path=ckpt_path)
ckpt_dict['state_dict']

2. 数据类可移植性不强，若采用无标签的自定义数据集，需修改代码

自定义数据集若没有ground truth，无疑的是需修改配置文件，如下：

dataset:
  task: classification
model:
  early_stopping:
    metric: train_loss #不唯一
metrics:
  # pixel:      该项必须注释掉
  #   - F1Score
  #   - AUROC

还需修改anomalib-main/src/anomalib/data/mvtec.py文件中的make_mvtec_dataset()方法，否则会抛出键值不匹配异常，主要原因是代码默认加载ground truth，但实际没有。若不修改，将全部测试样本均放入test/good目录中亦可，但不建议。make_mvtec_dataset()方法修改部分如下，将红框内代码注释掉即可：

3. 训练时的测试集会影响可视化效果

训练时的测试集不同，可视化后的图像有很大差距，如下：

原因是测试集会影响训练保存的检查点ckpt_dict['state_dict']中的normalization_metrics.min和normalization_metrics.max，在推理时会直接采用上述两个预先保存的参数对异常图（anomaly_map）进行归一化，导致训练集相同、测试集不同保存的检查点可视化后的图像有很大差距，但生成的anomaly_map相同。

Tip: 模型训练时单个epoch中的迭代次数是训练+验证的总和。