Anomaly Detection

Il rilevamento delle anomalie è una tecnica fondamentale nei campi dell'Intelligenza artificiale (AI) e dell'apprendimento automatico (ML), volta a identificare punti dati, eventi o osservazioni che si discostano significativamente dal comportamento normale di un set di dati. Spesso indicato come rilevamento degli outlier, questo processo presuppone che la maggior parte dei dati segua uno schema o una distribuzione specifica e che tutto ciò che si discosta da questa norma stabilita sia 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 elevata accuratezza.

Rilevamento delle anomalie e rilevamento degli oggetti#

Sebbene entrambe le metodologie siano fondamentali per la moderna visione artificiale (CV), è importante distinguere il rilevamento delle anomalie dal normale rilevamento degli oggetti.

• Il rilevamento degli oggetti è in genere un problema a classi chiuse, in cui il modello identifica e localizza classi specifiche e note, ad esempio "auto", "persona" e "semaforo", utilizzando i riquadri di delimitazione. Il sistema viene addestrato su esempi annotati esattamente di ciò che deve trovare.
• Il rilevamento delle anomalie viene spesso considerato un problema a classi aperte. Il sistema apprende una rappresentazione della "normalità" e segnala le 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, i rilevatori di oggetti robusti come l'avanzato Ultralytics YOLO26 possono essere adattati efficacemente al rilevamento supervisionato delle anomalie. Trattando i difetti noti come classi distinte nei dati di addestramento, gli ingegneri possono addestrare modelli per individuare con precisione tipi specifici di irregolarità.

Applicazioni nel mondo reale#

La capacità di individuare automaticamente le irregolarità rende il rilevamento delle anomalie indispensabile in vari settori ad alto rischio, dove il monitoraggio manuale non è pratico.

• 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 o firme termiche insolite nei macchinari, prevenendo costosi tempi di inattività.
• Analisi delle immagini mediche: in ambito sanitario, gli algoritmi analizzano scansioni MRI o CT per evidenziare potenziali patologie. Il rilevamento di tumori o fratture che si discostano dai modelli del tessuto sano aiuta i radiologi a formulare diagnosi più rapide, un componente chiave dell'AI nella sanità.
• Rilevamento delle 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, ad esempio a causa di un acquisto ingente in un paese straniero, il sistema segnala la transazione come potenziale violazione della sicurezza, come descritto nelle metodologie di rilevamento delle frodi finanziarie.
• Rilevamento delle intrusioni nella rete: gli strumenti di cybersecurity monitorano il traffico di rete alla ricerca di picchi o firme insolite dei pacchetti. Stabilendo una baseline del traffico normale, i sistemi possono identificare tempestivamente cyberattacchi o tentativi di esfiltrazione dei dati.

Implementazione del rilevamento dei difetti con Ultralytics YOLO26#

Un approccio pratico al rilevamento delle anomalie consiste nell'addestrare un modello di visione a riconoscere classi di difetti specifiche. I modelli più recenti, come YOLO26, sono ottimizzati per questo compito e offrono velocità e precisione superiori rispetto alle iterazioni precedenti, come YOLO11. L'esempio seguente mostra come caricare un modello preaddestrato 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

Strumenti ed ecosistema#

Lo sviluppo di sistemi efficaci di rilevamento delle anomalie richiede un ecosistema software solido per gestire il preprocessing dei dati e la gestione del ciclo di vita dei modelli.

• 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 baseline pulita della "normalità".
• Librerie statistiche: per i dati non visivi, la libreria Scikit-learn offre algoritmi standard come Isolation Forest e One-Class Macchina a vettori di supporto (SVM).
• Workflow integrati: la piattaforma Ultralytics semplifica il ciclo di vita di questi modelli, offrendo strumenti per annotare i set di dati, eseguire l'addestramento nel cloud e distribuire modelli efficienti come YOLO26 sui dispositivi edge per l'inferenza in tempo reale.