Anomaly Detection

Обнаружение аномалий — это важный метод в области искусственного интеллекта (AI) и машинного обучения (ML), предназначенный для выявления точек данных, событий или наблюдений, которые значительно отклоняются от нормального поведения в наборе данных. Этот процесс, который часто называют обнаружением выбросов, предполагает, что большинство данных соответствует определённому шаблону или распределению, а всё, что выходит за установленные рамки нормы, считается аномалией. Такие отклонения могут указывать на критические инциденты, например на структурные дефекты при производстве, ошибки в текстовых данных или потенциальные нарушения безопасности в сетевом трафике. Для автоматического распознавания этих редких событий с высокой точностью применяются продвинутые алгоритмы, в том числе используемые в глубоком обучении (DL).

Обнаружение аномалий и обнаружение объектов#

Хотя обе методологии имеют фундаментальное значение для современного компьютерного зрения (CV), важно различать обнаружение аномалий и стандартное обнаружение объектов.

• Обнаружение объектов обычно представляет собой задачу с закрытым множеством, в которой модель идентифицирует и локализует определённые известные классы (например, «автомобиль», «человек», «светофор») с помощью ограничивающих рамок. Система обучается на размеченных примерах именно тех объектов, которые ей нужно находить.
• Обнаружение аномалий часто рассматривается как задача с открытым множеством. Система изучает представление «нормы» и отмечает неизвестные отклонения. Например, систему визуального контроля можно обучить на тысячах изображений идеальных изделий. Затем она должна выявлять любую царапину, вмятину или изменение цвета как аномалию, даже если раньше не встречала конкретный тип дефекта.

Однако надёжные детекторы объектов, такие как передовая модель Ultralytics YOLO26, можно эффективно адаптировать для обнаружения аномалий с учителем. Если рассматривать известные дефекты как отдельные классы в обучающих данных, инженеры могут обучать модели точно определять конкретные типы отклонений.

Практические применения#

Возможность автоматически выявлять отклонения делает обнаружение аномалий незаменимым в различных отраслях с высокими рисками, где ручной мониторинг нецелесообразен.

• AI в производстве: системы автоматизированного оптического контроля (AOI) отслеживают производственные линии и выявляют структурные дефекты в режиме реального времени. Внедряя предиктивное обслуживание, предприятия могут обнаруживать необычные вибрации или тепловые сигналы в оборудовании, предотвращая дорогостоящие простои.
• Анализ медицинских изображений: в здравоохранении алгоритмы анализируют снимки MRI или CT, чтобы выделить потенциальные патологические изменения. Обнаружение опухолей или переломов, отклоняющихся от закономерностей здоровых тканей, помогает рентгенологам быстрее ставить диагнозы и является важной частью AI в здравоохранении.
• Обнаружение финансового мошенничества: банки используют статистическое обнаружение аномалий для мониторинга потоков транзакций. Если поведение пользователя при расходах внезапно меняется — например, он совершает крупную покупку в другой стране, — система помечает транзакцию как потенциальное нарушение безопасности, как описано в методологиях обнаружения финансового мошенничества.
• Обнаружение вторжений в сеть: инструменты кибербезопасности отслеживают сетевой трафик на предмет всплесков или необычных сигнатур пакетов. Установив базовый уровень нормального трафика, системы могут на раннем этапе выявлять кибератаки или попытки извлечения данных.

Реализация обнаружения дефектов с помощью Ultralytics YOLO26#

Практический подход к обнаружению аномалий заключается в обучении модели компьютерного зрения распознавать определённые классы дефектов. Новейшие модели, такие как YOLO26, оптимизированы для этой задачи и обеспечивают более высокую скорость и точность по сравнению с предыдущими версиями, такими как YOLO11. В следующем примере показано, как загрузить предварительно обученную модель и запустить инференс для выявления аномалий, обозначенных как объекты.

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

Инструменты и экосистема#

Разработка эффективных систем обнаружения аномалий требует надёжной программной экосистемы для выполнения предварительной обработки данных и управления жизненным циклом моделей.

• Фреймворки глубокого обучения: библиотеки, такие как PyTorch и TensorFlow, предоставляют вычислительную основу для обучения сложных нейронных сетей, используемых для обнаружения на основе изображений.
• Подготовка данных: инструменты для очистки данных необходимы, чтобы удалить выбросы из исходного обучающего набора и позволить модели изучить чистый базовый уровень «нормы».
• Статистические библиотеки: для невизуальных данных библиотека Scikit-learn предлагает стандартные алгоритмы, такие как Isolation Forest и одноклассовая машина опорных векторов (SVM).
• Интегрированные рабочие процессы: Ultralytics Platform упрощает жизненный цикл этих моделей, предлагая инструменты для разметки наборов данных, обучения в облаке и развёртывания эффективных моделей, таких как YOLO26, на периферийных устройствах для инференса в режиме реального времени.