Anomaly Detection

Il rilevamento di anomalie è una tecnica fondamentale nei campi dell'Intelligenza Artificiale (AI) e del Machine Learning (ML) incentrata sull'identificazione di punti dati, eventi o osservazioni che deviano significativamente dal comportamento normale di un set di dati. Spesso chiamato rilevamento di outlier, questo processo presuppone che la maggior parte dei dati segua un modello o una distribuzione specifica, e tutto ciò che esce da questa norma stabilita è considerato un'anomalia. Queste irregolarità possono indicare incidenti critici, come difetti strutturali nella produzione, errori nei dati testuali o potenziali violazioni della sicurezza nel traffico di rete. Algoritmi avanzati, inclusi quelli utilizzati nel Deep Learning (DL), vengono impiegati per automatizzare il riconoscimento di questi eventi rari con un'elevata precisione.

Link to this sectionRilevamento di anomalie vs. Rilevamento di oggetti#

Sebbene entrambe le metodologie siano fondamentali per la moderna computer vision (CV), è importante differenziare il rilevamento di anomalie dal classico rilevamento di oggetti.

• Il rilevamento di oggetti è solitamente un problema a set chiuso in cui il modello identifica e localizza classi specifiche e note (ad es. "auto", "persona", "semaforo") utilizzando i bounding boxes. Il sistema viene addestrato su esempi etichettati di ciò che deve trovare esattamente.
• Il rilevamento di anomalie viene spesso trattato come un problema a set aperto. Il sistema apprende una rappresentazione di "normalità" e segnala deviazioni sconosciute. Ad esempio, un sistema di ispezione visiva potrebbe essere addestrato su migliaia di immagini di prodotti perfetti. Deve quindi identificare qualsiasi graffio, ammaccatura o scolorimento come un'anomalia, anche se non ha mai incontrato prima quel tipo specifico di difetto.

Tuttavia, robusti rilevatori di oggetti come l'avanzato Ultralytics YOLO26 possono essere adattati efficacemente per il rilevamento supervisionato di anomalie. Trattando i difetti noti come classi distinte all'interno dei dati di addestramento, gli ingegneri possono addestrare i modelli a individuare tipi specifici di irregolarità.

Link to this sectionApplicazioni nel mondo reale#

La capacità di individuare automaticamente le irregolarità rende il rilevamento di anomalie indispensabile in diversi settori ad alto rischio dove il monitoraggio manuale è impraticabile.

• AI nella produzione: I sistemi di ispezione ottica automatizzata (AOI) monitorano le linee di produzione per identificare difetti strutturali in tempo reale. Implementando la manutenzione predittiva, le fabbriche possono rilevare vibrazioni insolite o firme termiche nei macchinari, prevenendo costosi tempi di inattività.
• Analisi di immagini mediche: In ambito sanitario, gli algoritmi analizzano scansioni MRI o TC per evidenziare potenziali patologie. Rilevare tumori o fratture che deviano dai modelli di tessuto sano assiste i radiologi nel formulare diagnosi più rapide, una componente chiave dell'AI nell'assistenza sanitaria.
• Rilevamento di frodi finanziarie: Le banche utilizzano il rilevamento statistico delle anomalie per monitorare i flussi di transazioni. Se il comportamento di spesa di un utente cambia improvvisamente, come un acquisto ingente in un paese straniero, il sistema contrassegna la transazione come una potenziale violazione della sicurezza, come descritto nelle metodologie di rilevamento delle frodi finanziarie.
• Rilevamento di intrusioni di rete: Gli strumenti di sicurezza informatica monitorano il traffico di rete per picchi o firme di pacchetti insoliti. Stabilendo una linea di base del traffico normale, i sistemi possono identificare tempestivamente attacchi informatici o tentativi di esfiltrazione dati.

Link to this sectionImplementare il rilevamento di difetti con YOLO26#

Un approccio pratico al rilevamento di anomalie prevede l'addestramento di un modello di visione per riconoscere classi specifiche di difetti. I modelli più recenti, come YOLO26, sono ottimizzati per questo compito, offrendo velocità e precisione superiori rispetto alle iterazioni precedenti come YOLO11. L'esempio seguente mostra come caricare un modello pre-addestrato ed eseguire l'inferenza per identificare anomalie etichettate come oggetti.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

Link to this sectionStrumenti ed ecosistema#

Sviluppare sistemi efficaci di rilevamento di anomalie richiede un solido ecosistema software per gestire la pre-elaborazione dei dati e la gestione del ciclo di vita del modello.

• Framework di Deep Learning: Librerie come PyTorch e TensorFlow forniscono il backend computazionale per l'addestramento di complesse reti neurali utilizzate nel rilevamento basato sulla visione.
• Preparazione dei dati: Gli strumenti per la pulizia dei dati sono essenziali per rimuovere gli outlier dal set di addestramento iniziale, in modo che il modello apprenda una linea di base pulita di "normalità".
• Librerie statistiche: Per i dati non visivi, la libreria Scikit-learn offre algoritmi standard come Isolation Forest e la One-Class Support Vector Machine (SVM).
• Flussi di lavoro integrati: La piattaforma Ultralytics semplifica il ciclo di vita di questi modelli, offrendo strumenti per l'annotazione di dataset, l'addestramento su cloud e la distribuzione di modelli efficienti come YOLO26 su dispositivi edge per l'inferenza in tempo reale.