anomalib|工业异常缺陷检测从训练到部署

原创 OpenCV学堂 2024-06-13 20:39

【北京12.5号】无线前沿新技术与测试技术峰会 精密双向电流感应放大器设计方案

点击上方蓝字关注我们

微信公众号：OpenCV学堂
关注获取更多计算机视觉与深度学习知识

前言

Anomalib 是英特尔主导的开源工业缺陷异常检测深度学习框架，包含主流的异常检测模型训练支持，包括：

CFlowPatchcoreFastflowPaDimEfficien_AD

等超过17种模型支持，支持私有/自定义数据集训练与部署。当前最新的版本v1.1，支持对异常缺陷的分类与缺陷区域的分割定位两种检测方式。

Anomalib库安装

最新v1.1版本支持的Python SDK最低版本为3.10，正常的安装只需要执行下面命令行即可

pip install anomalib openvino

另外一种安装方式从源码安装，首先下载执行完成以后可以尝试运行

https://github.com/openvinotoolkit/anomalib/releases/tag/v1.1.0

解压缩到一个指定目录，然后在该目录下面执行：

pip install –e .anomalib install

这样就可以完成安装了。

自定义数据模型训练

anomalib官方提供了自定义数据集训练的指南，对应的数据集下载地址为：

https://github.com/openvinotoolkit/anomalib/releases/download/hazelnut_toy_dataset/hazelnut_toy.zip

下载数据集以后，创建一个dataset.yaml的数据集描述文件，贴上下面的内容：

其实我后来发现task字段是可以不填的，它会根据是否有mask文件夹来决定任务类型是分类还是分割。

然后直接运行下面的命令行即可开始训练

anomalib train --data synthetic.yaml --model anomalib.models.Patchcore

第一次会从HuggerFace下载模型，但是很不幸的又挂了，无法下载，设置一下镜像网站即可正确下载：

再次执行训练命令行以后，真的可以训练了

发现训练了一个epoch就停止了，尝试修改max_epochs这个参数，发现居然被重载为1

然后求教了一位大神得到答案是：

意思是不用修改，1已经是最好的超参数了，改就是浪费电力跟算力。

模型导出与推理

这块官方也没有给出特别明确指南，只是在帮助文档上有个函数，里面包含了一些参数，通过我的一通尝试跟折腾以后，发现通过命令行是可以直接从ckpt导出onnx文件的，导出的命令行参数如下：

anomalib export --export_type onnx --export_root ./results --ckpt_path ./results/Patchcore/hazelnut_toy/v4/weights/lightning/model.ckpt --model anomalib.models.Patchcore

导出以后ONNX格式文件，针对分割任务有两个输出，图示结构如下：

直接使用OpenVINO推理演示如下：

运行测试结果：

OpenCV4系统化学习

深度学习系统化学习

推荐阅读

OpenCV4.8+YOLOv8对象检测C++推理演示

ZXING+OpenCV打造开源条码检测应用

总结 | OpenCV4 Mat操作全接触

三行代码实现 TensorRT8.6 C++ 深度学习模型部署

实战 | YOLOv8+OpenCV 实现DM码定位检测与解析

对象检测边界框损失 – 从IOU到ProbIOU

YOLOv8 OBB实现自定义旋转对象检测

初学者必看 | 学习深度学习的五个误区

YOLOv8自定义数据集训练实现安全帽检测

登录阅读全文



免责声明：该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系： nick.zong@aspencore.com！

OpenCV学堂专注计算机视觉开发技术分享,技术框架使用,包括OpenCV,Tensorflow,Pytorch教程与案例,相关算法详解,最新CV方向论文,硬核代码干货与代码案例详解!作者在CV工程化方面深度耕耘15年,感谢您的关注!

进入专栏

文章：1709篇粉丝：26人

 私信

anomalib|工业异常缺陷检测从训练到部署

最近文章

热门文章

推荐

最新资讯