Anomali Tespiti

Anormallik tespiti, aşağıdakiler dahilinde kritik bir yetenektir içeren yapay zeka Veri kümesinin çoğunluğundan önemli ölçüde sapan veri noktalarının, olayların veya gözlemlerin tanımlanması. Bunlar Genellikle aykırı değerler olarak adlandırılan sapma örnekleri, genellikle yapısal kusurlar gibi kritik olaylara işaret eder, tıbbi durumlar veya güvenlik ihlalleri. Özel bağlamda bilgisayarla görme, anomali tespit algoritmaları öğrenilmiş bir "normal" temsiline uymayan düzensiz örüntüleri işaretlemek için görsel verileri analiz etmek davranış veya görünüm, anlamlı sinyallerden gürültüyü etkili bir şekilde filtrelemek.

Temel Mekanizmalar ve Yaklaşımlar

Anomali tespitinin uygulanması tipik olarak istatistiksel analize dayanır ve derin öğrenme teknikleri. Bağlı olarak etiketli eğitim verilerinin mevcudiyeti, yaklaşım üç ana tipte kategorize edilebilir:

• Gözetimli Öğrenme: Bu yöntem, hem normal hem de anormal örnekler içeren tam etiketli bir veri kümesi kullanır. Model eğitilir ikili veya çok sınıflı sınıflandırma gerçekleştirmek için. Etkili olmakla birlikte, bu yaklaşım önemli miktarda Gerçek dünya senaryolarında az sayıda olabilen bilinen anomali örnekleri.
• Denetimsiz Öğrenme: Etiketli veriler olmadan çalışan bu teknik, anomalilerin nadir ve farklı olduğunu varsayar. Algoritmalar gibi K-ortalamalar kümeleme veya DBSCAN Benzer veri noktalarını bir arada gruplandırır ve izole edilmiş noktaları aykırı değer olarak sınıflandırmak üzere bırakır.
• Yarı Gözetimli Öğrenme: Bu, sistemin görsel denetimde popüler bir yaklaşımdır sadece normal veriler üzerinde eğitilmiştir. Çıkarım sırasında, yüksek bir yeniden yapılandırma hatası veren herhangi bir girdi - genellikle bir oto kodlayıcıkullanılarak hesaplanır-olarak işaretlenir. anomali.

Anomali Tespiti - Nesne Tespiti Karşılaştırması

Her iki teknik de görüntüleri analiz etmek için kullanılsa da, anomali tespitini aşağıdakilerden ayırmak önemlidir nesne algılama.

• Nesne Algılama, bilinen kategorilerin örneklerini bulmaya ve sınıflandırmaya odaklanır (örn, arabalar, yayalar) tanımlanmış sınırlayıcı kutular kullanarak. Nesne Algılama Model, eğitim sırasında bu belirli nesnelerin örneklerini görmüş olmalıdır.
• Anomali Tespiti genellikle açık settir, yani bilinmeyen sapmaları arar. İçin Örneğin, bir konveyör bandını izleyen bir sistem mükemmel ürünler üzerinde eğitilmiş olabilir ve herhangi bir çizik, göçük veya bu kusurların neye benzediğini önceden açıkça bilmeden renk değişikliği. Ancak, aşağıdaki gibi sağlam modeller Ultralytics YOLO11 denetimli anomali için uyarlanabilir belirli kusurları farklı sınıflar olarak ele alarak tespit eder.

Gerçek Dünya Uygulamaları

Usulsüzlükleri otomatik olarak tespit edebilme özelliği, bu teknolojiyi çeşitli sektörlerde vazgeçilmez kılmaktadır.

• Endüstriyel Kalite Kontrol: Çağımızda akıllı üretim, otomatik görsel denetim sistemleri ürün kusurlarını detect etmek için montaj hatlarını izler. Kusurların erken tespit edilmesi israfı azaltır ve şunları sağlar rehberimizde ayrıntılı olarak açıklandığı üzere, tüketiciye yalnızca yüksek kaliteli ürünler ulaşır. Üretimde Yapay Zeka.
• Finansal Güvenlik: Bankalar dolandırıcılık faaliyetlerini tespit etmek için istatistiksel anomali tespitinden yararlanır. Tarafından Tipik kullanıcı davranışının bir temelini oluşturan sistemler, olağandışı işlemler için uyarıları tetikleyebilir, bir süreç sık sık alıntı yapılan finansal dolandırıcılık tespit araştırması.
• Tıbbi Teşhis: Sağlık hizmetlerinde algoritmalar potansiyeli vurgulamak için tıbbi görüntüleme patolojiler. Örneğin, MRI taramalarında sağlıklı doku modellerinden sapan tümörlerin tespit edilmesi radyologlar daha hızlı teşhis koyarlar, bu da Sağlık Hizmetlerinde Yapay Zeka.
• Ağ Güvenliği: Siber güvenlik araçları ağ trafiğini ani artışlar veya olağandışı paketler için izler bir siber saldırıya işaret edebilecek imzalar, kuruluşların aşağıdaki yönergelere uymasına yardımcı olur Siber Güvenlik ve Altyapı Güvenliği Ajansı (CISA).

YOLO11 ile Hata Tespitinin Uygulanması

Anomali tespitinin denetimli bir biçimini uygulamanın pratik bir yolu, anomalileri tanımak için bir görüş modelini eğitmektir belirli kusur sınıfları. Aşağıdaki örnekte bir özel eğitimli model ve nesne olarak etiketlenen anomalileri tanımlamak için çıkarım çalıştırın.

from ultralytics import YOLO

# Load a YOLO11 model trained to detect specific defects (e.g., scratches)
model = YOLO("yolo11n.pt")  # Replace with your custom trained weights

# Perform inference on a new image to check for anomalies
results = model.predict("path/to/product_image.jpg", conf=0.25)

# Display the results to visualize identified defects
for result in results:
    result.show()  # Renders the image with bounding boxes around defects

Araçlar ve Çerçeveler

Bu sistemleri geliştirmek için sağlam yazılım ekosistemleri gerekir.

• Kütüphaneler: aşağıdaki gibi temel kütüphaneler PyTorch ve TensorFlow derin öğrenme mimarileri için yapı taşları sağlar.
• Veri İşleme: Görsel olmayan veriler için Scikit-learn aykırı değer tespit modülü Isolation Forest gibi standart algoritmalar sunar.
• Uçtan Uca Çözümler: Yaklaşan Ultralytics Platformu, aşağıdakilere kadar tüm iş akışını kolaylaştırmak için tasarlanmıştır model eğitimi ve dağıtımı için veri ek açıklaması, gerçek zamanlı ortamlarda anormallikleri tespit etmek için özel görüş sistemleri oluşturmayı kolaylaştırır.