异常检测

异常检测是人工智能（AI） 和机器学习（ML）领域中一项关键技术，专注于识别显著偏离数据集正常行为的数据点、事件或观测值。该过程常被称为异常值检测，其假设多数数据遵循特定模式或分布，任何超出既定规范的数据均被视为异常。 这些异常现象可能预示重大事件，例如制造过程中的结构缺陷、文本数据错误或网络流量中的潜在安全漏洞。通过运用深度学习（DL）等先进算法，可实现对这类罕见事件的高精度自动化识别。

异常检测与目标检测

虽然这两种方法都是现代计算机视觉（CV）的基础，但区分异常检测与标准目标检测至关重要。

• 目标检测通常属于闭合集问题，模型通过边界框识别并定位特定已知类别（如"汽车"、"人"、"交通信号灯"）。系统在标注样本上进行训练，这些样本精准匹配其需要识别的目标。
• 异常检测通常被视为开放集问题。系统通过学习"正常状态"的特征表示，从而标记未知偏差。例如，视觉检测系统可能通过数千张完美产品的图像进行训练，随后必须将任何划痕、凹痕或变色识别为异常，即使该系统从未遇到过该特定缺陷类型。

然而，像Ultralytics 强大的目标检测器，可有效应用于监督式异常检测。通过将已知缺陷作为训练数据中的独立类别处理，工程师能够训练模型精准定位特定类型的异常现象。

实际应用

自动识别异常的能力使异常检测在各类高风险行业中不可或缺，这些行业中人工监控难以实施。

• 制造业中的人工智能: 自动光学检测（AOI）系统实时监控生产线，识别结构缺陷。 通过实施预测性维护， 工厂可detect 设备detect 振动或热信号，避免高昂的停机损失。
• 医学影像分析在医疗领域，算法通过分析MRI或CT扫描图像来标注潜在病变。识别与健康组织模式相悖的肿瘤或骨折，能帮助放射科医生更快做出诊断，这是医疗人工智能的关键组成部分。
• 金融欺诈检测：银行运用统计异常检测技术监控交易流。当用户消费行为突变——例如在国外进行大额消费——系统便会将该交易标记为潜在安全漏洞，具体方法详见金融欺诈检测技术规范。
• 网络入侵检测：网络安全工具通过监控网络流量中的异常峰值或不寻常数据包特征，在建立正常流量基准后，能够及早识别网络攻击或数据窃取企图。

使用YOLO26实现缺陷检测

一种实用的异常检测方法是训练视觉模型来识别特定缺陷类别。最新模型（如YOLO26）针对此任务进行了优化，相较YOLO11早期版本，在速度和精度方面均有显著提升。下例演示了如何加载预训练模型并运行推理，以识别标记为物体的异常。

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

工具和生态系统

开发高效的异常检测系统需要一个强大的软件生态系统来处理 数据预处理和模型生命周期 管理。

• 深度学习框架：诸如 PyTorch 和 TensorFlow 为视觉检测中使用的复杂神经网络训练提供了计算后端。
• 数据准备：数据清洗工具对于从初始训练集中移除异常值至关重要，这样模型才能学习到"正常"状态的干净基准。
• 统计库：对于非视觉数据， Scikit-learn库提供了标准算法， 例如隔离森林和单类支持向量机（SVM）。
• 集成工作流：Ultralytics 优化了这些模型的生命周期，提供数据集标注工具、基于云的训练功能，并能将高效模型（如YOLO26）部署至边缘设备以实现实时推理。