L'inspection par détection d'anomalies
- Leçon 21
- 45 min
- Module 6 : Inspecter pour trouver les défauts
Où nous en sommes
Dans la dernière leçon, nous avons appris seulement à partir de bougies en bon état. Chaque photo recevait un score selon sa distance avec elles. L'idée était bonne, mais un score pour la photo entière perdait les petits dommages. Dans cette leçon, nous comparons de petits fragments à une mémoire de fragments en bon état, avec PatchCore et PaDiM dans anomalib. Nous lisons aussi les cartes de chaleur qui montrent où chaque modèle voit des dommages.
Leçon 21 sur 30 · IA de vision : voir, compter et inspecterL'inspection par détection d'anomalies
1. Voir est un problème d'affaires
2. Références de base et classificateurs préentraînés
3. Plongements, CLIP et peu d'étiquettes
4. Détecter et compter
5. Segmenter
6. Inspecter pour trouver les défauts
7. Apparier, chercher et décrire
8. Exploiter la vision en production
Ce que vous saurez faire
Trouvez les petits dommages sur un article retourné. Comparez chaque petite partie de sa photo à des parties en bon état, puis voyez où sont les dommages. Un score pour la photo entière manque les dommages qui occupent une toute petite partie de l’image.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et vérifications de cette leçon. Il construit un petit PatchCore à la main, puis exécute PatchCore et PaDiM d’anomalib sur les 380 photos d’entraînement en bon état. Il trace des cartes de chaleur et compare les inspecteurs selon l’AUROC et le coût par jour de Hamid. Ses cellules de préparation installent les paquets, dont PyTorch et anomalib, et téléchargent les photos des retours. Prévoyez environ 45 minutes, dont environ 3 minutes de calcul sur un portable. Le calcul prend plus de temps sur un processeur gratuit de Colab ou Kaggle.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- L’inspection supervisée et l’inspection par détection d’anomalies, le score d’anomalie, l’AUROC et le coût par jour, vus dans Deux façons de trouver les dommages.
- Comment un réseau convolutif garde une grille de petites régions dans ses couches intermédiaires, vu dans La convolution et les fragments en une leçon.
Ce qu’il vous faut sur votre ordinateur
Rien pour cette leçon : le carnet fonctionne dans Colab, Kaggle ou Jupyter. Il télécharge ResNet-18 (47 Mo) et le ResNet-50 élargi qu’utilise anomalib (environ 270 Mo).
Le carnet a été testé avec Python 3.12, PyTorch 2.15.0, timm 1.0.31 et anomalib 2.7.0, dans Jupyter sur macOS (processeur d’un portable).
Une employée avec une loupe
Section intitulée « Une employée avec une loupe »Repensez à la nouvelle employée qui a appris avec un carton de lampions (bougies chauffe-plat) en bon état. Quand elle vérifie un paquet retourné, elle ne regarde pas le plateau entier en se demandant « ce plateau semble-t-il normal? ». Elle regarde chaque partie : ce morceau de cire, cette mèche, ce bord. Une minuscule tache sombre change à peine l’apparence du plateau. Mais ce morceau de cire ne ressemble à aucun morceau qu’elle a déjà vu.
Sa mémoire ne contient pas des plateaux entiers. Elle contient des parties : des centaines de morceaux de cire, de mèches et de bords en bon état. Elle compare chaque partie d’une nouvelle bougie aux parties qu’elle connaît. Si une partie n’a aucune correspondance, la bougie est suspecte, et elle sait où pointer.
Le problème : la photo entière cache la tache
Section intitulée « Le problème : la photo entière cache la tache »Dans la dernière leçon, le score d’anomalie comparait des photos entières, avec un résultat faible : une AUROC de 0,73 sur les photos de test. Le dommage médian couvre environ 64 pixels d’une photo de 224 × 224, soit environ 0,13 % de celle-ci. Le plongement de la photo change à peine. La photo endommagée ressemble donc encore à sa plus proche photo en bon état.
La solution suit l’habitude de l’employée : comparer les parties, pas les plateaux.
L’idée : une mémoire de fragments en bon état
Section intitulée « L’idée : une mémoire de fragments en bon état »Découpez chaque photo en une grille de petits carrés. Chaque carré est un fragment (patch). Pour chaque fragment, trouvez le fragment le plus semblable dans une mémoire de fragments provenant de photos en bon état. Un fragment de cire normale a une correspondance proche. Un fragment endommagé n’en a pas. Le score de la photo est la distance de son pire fragment : celui qui est le plus loin de tous les fragments en bon état.
Cette méthode s’appelle PatchCore (Roth et autres, 2022). « Patch » parce qu’elle compare des fragments. « Core » parce que sa mémoire est un coreset, un sous-ensemble représentatif de fragments. On les choisit pour que chaque type de fragment en bon état y ait une correspondance proche. Une mémoire contenant tous les fragments de toutes les photos en bon état serait volumineuse et lente à parcourir.
Description textuelle du diagramme
Le schéma comporte trois étapes. La première montre une photo découpée en une grille de 4 par 4 fragments; un fragment est orange, les autres sont bleus. Une flèche mène à la deuxième étape, un encadré gris : une mémoire de fragments de 380 photos en bon état. Une flèche mène à la troisième étape, deux encadrés. La plupart des fragments ont une distance de 0,2, car un fragment en bon état se trouve près d’eux. Le fragment inhabituel a une distance de 0,9, car il est loin de tous les fragments en bon état. Une ligne sous les étapes indique : score de la photo = la plus grande distance des fragments. Carte de chaleur = la distance de chaque fragment, représentée en image.
Un petit exemple : quatre fragments
Section intitulée « Un petit exemple : quatre fragments »Imaginez que chaque fragment est décrit par un seul nombre, sa luminosité, et qu’une photo contient seulement quatre fragments. La mémoire contient cinq fragments en bon état : 0,47, 0,49, 0,50, 0,53 et 0,55.
| Fragment | Valeur | Fragment en bon état le plus proche | Distance |
|---|---|---|---|
| A (cire) | 0,50 | 0,50 | 0,00 |
| B (cire) | 0,52 | 0,53 | 0,01 |
| C (mèche) | 0,48 | 0,47 ou 0,49 | 0,01 |
| D (tache sombre) | 0,20 | 0,47 | 0,27 |
Le score de la photo est la plus grande distance : 0,27, celle du fragment D. La distance moyenne est seulement (0,00 + 0,01 + 0,01 + 0,27) ÷ 4 = 0,07. Dans la moyenne, un fragment inhabituel parmi quatre ne compte déjà que pour un quart. Une vraie photo contient 784 fragments, donc la moyenne cacherait encore plus une petite tache. C’est pourquoi PatchCore prend la plus grande distance.
D’où viennent les fragments
Section intitulée « D’où viennent les fragments »Un fragment n’est pas un carré de pixels bruts. Deux carrés de pixels de la même cire peuvent beaucoup différer si la lumière tombe un peu autrement. PatchCore tire ses fragments des couches intermédiaires d’un réseau préentraîné, comme ResNet. La convolution et les fragments en une leçon a montré que chaque position d’une couche intermédiaire décrit une région de la photo. Ses nombreux nombres décrivent des contours, des textures et de petites formes. La dernière couche mélangerait toutes les positions. Nous reviendrions alors à un seul plongement pour la photo entière.
Dans le carnet, le petit PatchCore utilise ResNet-18. Une photo de 224 × 224 pixels donne une grille de 28 × 28 = 784 positions. Chaque position reçoit 384 nombres. Chaque fragment prend aussi la moyenne de ses voisins. Il « voit » donc un peu plus que son propre carré.
p = patches("data/" + good_train["file"].iloc[0])print(p.shape)(784, 384)Les 380 photos d’entraînement en bon état donnent 297 920 fragments. Le petit PatchCore en garde 20 000 au hasard dans sa mémoire. PatchCore d’anomalib les choisit plutôt avec la méthode du coreset.
297,920 good patches, 20,000 kept in the memoryLes cartes de chaleur : où le modèle voit les dommages
Section intitulée « Les cartes de chaleur : où le modèle voit les dommages »Tracez la distance de chaque fragment sur la grille de 28 × 28, et vous obtenez une carte de chaleur. Elle est lumineuse là où un fragment est loin de tous les fragments en bon état. Elle transforme un score en un endroit qu’une personne peut regarder.
Voici trois bougies endommagées des données de test. La rangée du haut montre chaque photo avec son dommage réel encerclé, à partir du masque du dommage. La rangée du bas montre la carte de chaleur de PatchCore d’anomalib sur la même photo.

Description textuelle du diagramme
Rangée du haut : trois photos de quatre lampions chacune, avec un cercle orange autour du dommage réel. Dans la première photo, le dommage est un amas de cire en trop sur la bougie en haut à droite. Dans la deuxième, de la cire en trop se trouve près de la mèche de la bougie en bas à droite. Dans la troisième, de la cire fondue a débordé sur le bord gauche de la bougie en bas à gauche. Rangée du bas : les mêmes trois photos sous une carte de chaleur. Elle est violet foncé là où les fragments semblent en bon état, et jaune ou orange lumineux ailleurs. Dans chaque photo, la zone lumineuse se trouve sur le dommage encerclé. Dans la deuxième photo, cette zone est moins lumineuse que dans la première.
Dans ces trois photos, la zone lumineuse se trouve sur le dommage. Ce sont les trois meilleurs résultats parmi les 18 photos de test endommagées. Quelle est la qualité des cartes de chaleur en général?
- Avec le petit PatchCore du carnet, le pire fragment se trouve dans le dommage réel sur 13 des 18 photos de test endommagées. Dans les 5 autres, la photo peut quand même obtenir un score élevé, mais la tache lumineuse est ailleurs.
- L’équipe du cours a comparé les cartes de chaleur d’anomalib aux masques réels. Comparées aux dommages réels, les parties lumineuses (les 2 % de valeurs les plus élevées) donnent une Dice moyenne de seulement 0,175. Dice est la mesure de chevauchement de Mesurer à partir des masques : 1,0 indique la même forme, 0 aucun chevauchement.
Une carte de chaleur indique donc la zone, pas le contour. Utilisez-la pour montrer à une personne où regarder d’abord. Ne l’utilisez pas pour mesurer la taille d’un dommage : les masques du module 5 servent à cela.
PaDiM : une courbe en cloche par position
Section intitulée « PaDiM : une courbe en cloche par position »anomalib propose une deuxième méthode classique pour les fragments, PaDiM (Defard et autres, 2021). PaDiM tire aussi ses fragments des couches intermédiaires. Mais il ne garde aucune mémoire de fragments. Pour chaque position de la grille, il conserve le fragment moyen en bon état et la variation des fragments à cet endroit. Un nouveau fragment est inhabituel s’il est loin de la moyenne de sa propre position. Cette distance se mesure en unités de variation normale de cette position.
Imaginez une courbe en cloche par position, la forme de la loi normale vue dans Mathématiques et statistiques essentielles pour l’IA. PaDiM apprend en quelques secondes, car il calcule seulement des moyennes : 10 secondes sur les 380 photos en bon état. PatchCore avec un ResNet-50 élargi prend plutôt 94 secondes. Son point faible est la position. Il fonctionne seulement si la même chose se trouve toujours au même endroit. Les photos de Hamid sont prises dans un plateau fixe, donc les positions sont assez stables. Mais un paquet placé un peu à gauche rend les moyennes inutiles.
Larkfield : quatre inspecteurs sur les mêmes photos
Section intitulée « Larkfield : quatre inspecteurs sur les mêmes photos »Priya exécute le petit PatchCore construit à la main, puis PatchCore et PaDiM d’anomalib. anomalib lit les photos dans des dossiers et apprend à partir du dossier des photos en bon état. Il donne à chaque nouvelle photo un score de 0 à 1 et une carte de chaleur :
model = Patchcore(backbone="wide_resnet50_2", coreset_sampling_ratio=0.01, visualizer=False)folder = Folder(name="candles", root=work, normal_dir="train_good", abnormal_dir="train_damaged", num_workers=0, train_batch_size=16, eval_batch_size=16, seed=0)engine = Engine(accelerator="cpu", devices=1, logger=False, default_root_dir=work / "results", enable_progress_bar=False)engine.fit(model=model, datamodule=folder)coreset_sampling_ratio=0.01 garde 1 % des fragments en bon état dans la mémoire. Les photos d’entraînement endommagées ne servent pas à enseigner au modèle. anomalib les utilise seulement pour ramener ses scores entre 0 et 1.
Voici l’exécution enregistrée du cours, sur les 218 photos de test, avec les seuils choisis sur les données de validation :
| Inspecteur | AUROC | Coût par jour | Temps d’apprentissage | Par photo | Taille |
|---|---|---|---|---|---|
| PaDiM, ResNet-18 | 0,824 | 993,6 | 10 s | 26,5 ms | 47 Mo |
| Petit PatchCore (ResNet-18, mémoire aléatoire) | 0,847 | 1 290,8 | non chronométré | 17,3 ms | 78 Mo |
| PatchCore, ResNet-18 (anomalib) | 0,919 | 706,0 | 50 s | 20,4 ms | 47 Mo |
| PatchCore, ResNet-50 élargi (anomalib) | 0,917 | 368,8 | 94 s | 47,8 ms | 267 Mo |
Une ligne demande de l’attention. PatchCore d’anomalib avec ResNet-18 (706,0 $ US par jour) exige environ 113 vérifications par jour sur les photos de test (112,8). Cela dépasse le budget de 100 de Hamid. Son coût n’est donc pas atteignable tel quel.
Description textuelle du graphique
Un graphique à quatre colonnes. PaDiM avec ResNet-18 : 993,6 $ US par jour. Le petit PatchCore : 1 290,8. PatchCore d’anomalib avec ResNet-18 : 706,0. PatchCore d’anomalib avec un ResNet-50 élargi : 368,8.
Les fragments fonctionnent. Chaque méthode par fragments fait mieux que le score de photo entière de la dernière leçon (0,73, 1 578,4 $ US par jour). PatchCore d’anomalib avec un ResNet-50 élargi est le moins coûteux : 368,8 $ US par jour, contre 2 229,4 sans inspection.
Des AUROC proches, des coûts éloignés
Section intitulée « Des AUROC proches, des coûts éloignés »Regardez les deux PatchCore d’anomalib. Leur AUROC est presque identique (0,919 et 0,917), mais l’un coûte presque deux fois plus par jour. Pourquoi?
L’AUROC compte les 3 600 paires formées d’une photo endommagée et d’une photo en bon état (18 × 200). Le coût dépend seulement des quelques photos près des seuils. Avec 18 photos de test endommagées, une photo endommagée acceptée ajoute 600 ÷ 218 × 45 = 124 $ US par jour. Une différence de deux ou trois photos crée l’écart. Cela vaut aussi pour les données de test elles-mêmes : elles sont peu nombreuses. Quelques photos font donc beaucoup varier chaque coût présenté ici.
Votre exécution sera différente
Section intitulée « Votre exécution sera différente »PatchCore et PaDiM d’anomalib ne donnent pas exactement les mêmes scores à chaque exécution. Le tableau ci-dessus présente l’exécution enregistrée du cours, faite une seule fois. Nous avons ensuite exécuté le carnet cinq autres fois sur un portable. PatchCore avec un ResNet-50 élargi a donné une AUROC de 0,926 à 0,939. Son coût allait de 370,2 à 1 194,5 $ US par jour. PaDiM a donné une AUROC de 0,797 à 0,841, et un coût de 1 149,1 à 1 875,7 $ US par jour. Même code, mêmes photos, mêmes partitions. Avec si peu de photos endommagées, un petit changement de score fait franchir un seuil à une photo. Le coût change alors de plusieurs centaines de dollars. Traitez les coûts comme un intervalle, pas comme des nombres exacts. Utilisez l’exécution enregistrée pour comparer vos résultats au tableau du cours.
Le petit PatchCore et le service d’Amira
Section intitulée « Le petit PatchCore et le service d’Amira »PatchCore d’anomalib est le moins coûteux. Pourquoi le projet utilise-t-il le petit?
Amira, la développeuse de Larkfield, doit livrer l’inspecteur dans le service d’images du module 8. anomalib exige PyTorch, Lightning et leurs nombreux paquets, et le ResNet-50 élargi pèse 267 Mo. Le petit PatchCore exige seulement les premières couches d’un ResNet-18. Amira peut les exporter vers ONNX. La bibliothèque légère ONNX Runtime exécute ce format sans PyTorch. Réduit avec des nombres sur 8 bits, il occupe 2,9 Mo, plus une mémoire de 15 Mo. Il exige seulement ONNX Runtime et NumPy, et attribue un score à une photo en 15 ms. Le prix à payer est la qualité : une AUROC de test de 0,836 contre 0,917.
C’est un vrai compromis, pas un choix sans conséquence. Le meilleur modèle existe. La leçon Assez rapide sur un processeur mesure le coût de chaque choix en temps et en taille. Pour chaque choix, notez le prix à payer dans les deux sens.
Quand utiliser l’inspection par détection d’anomalies, et son coût
Section intitulée « Quand utiliser l’inspection par détection d’anomalies, et son coût »Utilisez-la quand les articles se ressemblent d’une photo à l’autre : même produit, même plateau, même lumière. Elle convient quand les articles en bon état sont faciles à recueillir et que les dommages sont rares et variés. Les lampions de Hamid conviennent bien.
Soyez prudent quand les articles en bon état varient beaucoup. Plusieurs couleurs ou formes d’un même produit, ou des photos prises sous plusieurs angles, élargissent ce qui est « normal ». Un dommage peut alors se cacher parmi les différences normales. Ne l’utilisez pas seule quand vous devez nommer le type de dommage. Elle dit « inhabituel ici », pas « morceau de cire manquant ».
Son coût : vous stockez et mettez à jour une mémoire de fragments en bon état, ou leurs statistiques. Vous exécutez un réseau de base (backbone) sur chaque photo. Et il vous faut de nouvelles photos en bon état quand la « normale » change. Une nouvelle caméra ou une nouvelle lumière rend chaque fragment inhabituel : le module 8 le montre. Et le score n’est pas une décision. Un seuil doit le transformer en acceptation ou en rejet. Le budget d’alertes, dans Détection d’anomalies : trouver ce qui est inhabituel, explique comment fixer un seuil avec seulement quelques exemples étiquetés. La prochaine leçon fixe les seuils de Hamid.
Exercice guidé : fragments et anomalib dans le carnet
Section intitulée « Exercice guidé : fragments et anomalib dans le carnet »- Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
- Exécutez les cellules de préparation. La cellule d’installation indique anomalib 2.7.0, et la cellule de données se termine par
Ready:(prêt). - Dans la section 1, exécutez la cellule. Vous voyez
(784, 384). - Dans la section 2, exécutez la cellule de mémoire. Vous voyez
297,920 good patches, 20,000 kept in the memory(297 920 fragments en bon état, 20 000 gardés en mémoire). - Dans la section 3, écrivez votre prédiction, puis exécutez la cellule de carte de chaleur. Les fragments les plus lumineux se trouvent sur la cire en trop, en haut à droite.
- Dans la section 4, exécutez la cellule de calcul des scores. Vous voyez
small PatchCore, AUROC on test: 0.847(petit PatchCore, AUROC sur les données de test : 0,847). - Exécutez la cellule suivante. Les scores vont d’environ 5 à 19, et un seuil de 0,5 rejette les 200 photos en bon état.
- Dans la section 5, exécutez la cellule anomalib. L’apprentissage dure environ 2 minutes, puis elle affiche une AUROC entre environ 0,91 et 0,94.
- Exécutez la cellule de vérification. Elle affiche
Check passed(vérification réussie). - Dans la section 6, exécutez PaDiM. Il apprend en quelques secondes.
- Dans la section 7, exécutez la cellule de coût. Comparez vos trois coûts au tableau ci-dessus.
À vous de jouer : la moyenne plutôt que la plus grande distance
Section intitulée « À vous de jouer : la moyenne plutôt que la plus grande distance »Changez une seule chose : donnez à chaque photo un score égal à la moyenne de ses 784 distances de fragments. N’utilisez plus la plus grande distance. Le petit exemple montre que la moyenne cache une petite tache. Avant de l’exécuter, faites une prédiction : l’AUROC sur les photos de test sera-t-elle supérieure ou inférieure à 0,847? Dans la section 8 du carnet (notebook) Jupyter, mettez l’AUROC dans mean_auc.
Afficher la réponse
mean_auc = cp.roc_auc([d.mean() for d in small_test_dist], dte)print(mean_auc)0.875Supérieure, ce qui nous a aussi surpris. Sur ces 18 photos de test d’articles endommagés, la moyenne fait mieux que la plus grande distance (0,875 contre 0,847). Cinq photos montrent de la cire fondue qui a coulé hors de la bougie. Ce dommage important augmente la distance de nombreux fragments à la fois. Le petit exemple reste juste pour une seule petite tache. Il faut donc mesurer les résultats d’une règle, même si elle semble juste. Avec 18 photos d’articles endommagés, un écart de 0,03 pourrait changer avec d’autres photos. Comparez ces choix sur les photos de validation, jamais sur les photos de test.
Erreur courante
Un seuil de 0,5 pour une distance
Symptôme : Tomás présente le petit PatchCore à l’équipe de Hamid avec la règle « rejeter si le score dépasse 0,5 ». Sur les photos de test, toutes les bougies sont rejetées. Dans le carnet :
print(f"scores from {small_test.min():.2f} to {small_test.max():.2f}")print(cp.inspection_costs(small_test, dte, 0.5, 0.5))scores from 5.61 to 19.27{'items': 218, 'damaged': 18, 'missed': 0, 'good_failed': 200, 'checks': 0, 'checks_per_day': 0.0, 'damaged_sold_as_new_per_day': 0.0, 'good_marked_damaged_per_day': 550.5, 'cost_per_day': 15412.8, 'over_budget': False}Cause : un score d’anomalie est une distance, pas une probabilité. Les scores du petit PatchCore vont d’environ 5 à 19. Le seuil de 0,5 est donc inférieur au score de chaque photo. anomalib ramène ses scores sur une échelle de 0 à 1. Mais cette échelle dépend aussi de ses données. Le seuil de 0,5 n’y a donc pas de signification particulière non plus.
Correction : ne réutilisez jamais un seuil provenant d’un autre modèle ou d’une autre échelle. Choisissez les seuils sur les photos de validation de ce modèle, selon les coûts et le budget. C’est ce que fait la prochaine leçon.
Conséquence pour le travail en IA : les 200 bonnes bougies vont au magasin de liquidation. Cela coûte 15 412,8 $ US par jour, presque sept fois le coût sans inspection. Un seuil copié d’un modèle de probabilité ou d’un billet de blogue peut rendre l’inspection pire que l’absence d’inspection.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Une photo a six fragments. Leurs distances au fragment en bon état le plus proche sont 0,05, 0,04, 0,06, 0,05, 0,03 et 0,61. Quel est son score PatchCore? Quelle serait la moyenne, et pourquoi PatchCore utilise-t-il la plus grande distance?
Afficher la réponse
Le score est la plus grande distance, soit 0,61. La moyenne est (0,05 + 0,04 + 0,06 + 0,05 + 0,03 + 0,61) ÷ 6 = 0,84 ÷ 6 = 0,14. PatchCore utilise la plus grande distance, car un seul fragment inhabituel suffit à rendre un article suspect. Un petit dommage ne couvre que quelques-uns des 784 fragments d’une vraie photo. La moyenne réduit l’effet d’un fragment inhabituel en le divisant par le nombre de fragments. Mesurez tout de même les résultats de ce choix. Sur nos 18 photos de test d’articles endommagés, la moyenne a fait mieux, car plusieurs dommages étaient importants.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
La carte de chaleur d'une bougie endommagée est lumineuse à l'endroit du dommage. Hamid peut-il utiliser cette zone lumineuse pour mesurer la taille du dommage? Expliquez avec les chiffres du cours.
Afficher la réponse
Non. Une carte de chaleur indique la zone, pas le contour. Comparées aux vrais masques, les parties lumineuses des cartes de chaleur d’anomalib donnent un Dice moyen de seulement 0,175. Avec le petit PatchCore, le pire fragment était dans le vrai dommage sur 13 des 18 photos. Utilisez la carte de chaleur pour montrer à une personne où regarder d’abord. Pour mesurer un dommage, utilisez un masque, comme dans Mesurer à partir des masques, au module 5.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Le service d'Amira utilise le petit PatchCore (AUROC de test de 0,836). Il n'utilise pas le PatchCore d'anomalib avec un ResNet-50 élargi (0,917, 368,8 $ US par jour). Donnez une raison de son choix et un coût associé.
Afficher la réponse
Raison : le petit PatchCore fonctionne seulement avec ONNX Runtime et NumPy. Il occupe 2,9 Mo, plus une mémoire de 15 Mo. Il calcule le score d’une photo en 15 ms sur un processeur. anomalib nécessite PyTorch, Lightning et 267 Mo de poids. Coût : il détecte moins bien les dommages. Donc, plus de bougies endommagées sont acceptées ou plus de bonnes bougies sont rejetées. Sur les photos de test, sa version en virgule flottante coûte 1 290,8 $ US par jour contre 368,8 $ US. Il faut documenter ce choix avec les deux chiffres. On pourra ainsi le modifier quand le service pourra prendre en charge un modèle plus gros.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- PatchCore compare chaque fragment d’une photo à une mémoire de fragments en bon état. Le score de la photo est la plus grande distance parmi ses fragments. Un seul petit fragment inhabituel suffit donc.
- Les fragments proviennent des couches intermédiaires d’un réseau préentraîné : 784 positions de 384 nombres avec ResNet-18 à 224 pixels.
- Une carte de chaleur montre la distance de chaque fragment. Elle indique la zone (le pire fragment était dans le dommage sur 13 des 18 photos), mais pas le contour (Dice moyen de 0,175).
- PaDiM conserve une moyenne et une dispersion par position. Il apprend en 10 secondes, mais exige que les articles soient au même endroit.
- Sur les photos de test, le PatchCore d’anomalib avec un ResNet-50 élargi obtient une AUROC de 0,917. Il coûte 368,8 $ US par jour. Le petit PatchCore du service obtient 0,836. Les coûts varient beaucoup avec quelques photos, et d’une exécution à l’autre.
Vous pouvez maintenant calculer le score de chaque retour et montrer où se trouve le dommage. Mais un score n’est pas une décision. Ensuite, vous transformerez les scores en décisions « accepté », « à vérifier » et « rejeté » avec Hamid. Vous utiliserez le coût de chaque erreur et ses 100 vérifications par jour.
Leçon suivante : Fixer les seuils avec l'entrepôt