【重磅升级】工业异常检测库 Anomalibv2.0正式发布

OpenCV学堂

发布于 2026-04-02 20:00:22

280

Anomalib2.0介绍

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 提供了几个预先实现的异常检测算法的实现，这些算法描述在最近的研究文献中，还提供了一套工具，以促进自定义模型的开发和实施。该库专注于视觉异常检测，其中算法的目的是检测并在数据集中定位图像或视频中的异常。Anomalib 不断更新新的算法和训练/推理扩展，因此请保持关注！

我们很高兴地宣布发布 Anomalib v2.0.0！这个版本引入了一系列重大改进和定制选项，以增强您的异常检测工作流程。请注意，在 v1.2.0 和 v2.0.0 之间有几个 API 更改，因此在更新现有管道时请小心谨慎。Anomalib v2.0.0主要功能包括：

多GPU支持
内置的多个公开数据集类
灵活的自定义数据与模型配置文件
支持自定义模型评估工作流
配置支持模块可视化

github地址：

https://github.com/open-edge-platform/anomalib

安装与运行

Anomalib v2.0.0支持以代码方式或者CLI命令行方式执行训练与推理。必须是Pytorch2.0以上版本，Python3.11版本，一条命令行安装：

pip install anomalib

训练支持

# Train with default settings
anomalib train --model Patchcore --data anomalib.data.MVTecAD
# Train with custom category
anomalib train --model Patchcore --data anomalib.data.MVTecAD --data.category transistor
# Train with config file
anomalib train --config path/to/config.yaml

推理支持

# Basic prediction
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTecAD \
                 --ckpt_path path/to/model.ckpt
# Prediction with results
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTecAD \
                 --ckpt_path path/to/model.ckpt \
                 --return_predictions

自定义数据训练

当前支持的Anomaly Detection的模型版本图像与视频的，支持的全部模型列表如下;

数据配置文件 - 参数官方例子修改:

class_path: anomalib.data.Folder
init_args:
  name: bottle
  root: "datasets/MVTecAD/bottle"
  normal_dir: "train/good"
  abnormal_dir: "test/broken_large"
  normal_test_dir: "test/good"
  mask_dir: "ground_truth/broken_large"
  normal_split_ratio: 0
  extensions: [".png"]
  train_batch_size: 32
  eval_batch_size: 32
  num_workers: 8
  test_split_mode: from_dir
  test_split_ratio: 0.2
  val_split_mode: same_as_test
  val_split_ratio: 0.5
  seed: null

修改root指向自己的异常数据集即可，训练运行：