Anomaly Detection

异常检测是人工智能 (AI)和机器学习 (ML)领域中的一项关键技术，专注于识别与数据集正常行为存在显著偏差的数据点、事件或观测结果。这一过程通常也称为离群点检测，其基本假设是大多数数据都遵循特定模式或分布，而任何偏离这一既定常态的内容都被视为异常。这些不规则现象可能表明存在关键事件，例如制造业中的结构缺陷、文本数据中的错误，或网络流量中的潜在安全漏洞。包括深度学习 (DL)所采用的算法在内的先进算法，可用于自动识别这些罕见事件，并实现较高的准确率。

异常检测与目标检测的比较#

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的目标检测非常重要。

• 目标检测通常是一个封闭集问题，模型使用边界框识别并定位特定的已知类别（例如“汽车”“人”“交通信号灯”）。系统会基于其确切需要寻找的目标的标注示例进行训练。
• 异常检测通常被视为一个开放集问题。系统学习“正常状态”的表示，并标记未知的偏差。例如，视觉检测系统可能使用数千张完美产品的图像进行训练。随后，即使从未遇到过某种特定缺陷类型，它也必须将任何划痕、凹痕或变色识别为异常。

不过，像业界先进的Ultralytics YOLO26这样的强大目标检测器，也可以有效地适用于有监督异常检测。通过将已知缺陷作为训练数据中的独立类别，工程师可以训练模型来精确定位特定类型的不规则现象。

实际应用#

自动发现不规则现象的能力，使异常检测成为众多高风险行业不可或缺的技术，因为在这些行业中，人工监控并不现实。

• 制造业中的 AI：自动光学检测 (AOI) 系统实时监控生产线，以识别结构缺陷。通过实施预测性维护，工厂可以检测机械设备中异常的振动或热特征，从而避免代价高昂的停机。
• 医学图像分析：在医疗保健领域，算法会分析 MRI 或 CT 扫描结果，以突出显示潜在病变。检测偏离健康组织模式的肿瘤或骨折，有助于放射科医生更快地做出诊断，也是医疗保健领域中的 AI的重要组成部分。
• 金融欺诈检测：银行利用统计异常检测来监控交易流。如果用户的消费行为突然发生变化——例如在国外进行大额消费——系统就会将该交易标记为潜在的安全漏洞，相关内容见金融欺诈检测方法。
• 网络入侵检测：网络安全工具监控网络流量中的峰值或异常数据包特征。通过建立正常流量基线，系统可以及早识别网络攻击或数据窃取尝试。

使用 Ultralytics 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的缺陷类别。最新模型（例如 YOLO26）针对这一任务进行了优化，与 YOLO11 等早期版本相比，具有更高的速度和精度。下面的示例演示了如何加载预训练模型并运行推理，将标记为对象的异常识别出来。

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

工具与生态系统#

开发有效的异常检测系统需要一个强大的软件生态系统，用于处理数据预处理和模型生命周期管理。

• 深度学习框架：PyTorch和 TensorFlow 等库为训练用于视觉检测的复杂神经网络提供计算后端。
• 数据准备：数据清洗工具对于从初始训练集中移除离群点至关重要，这样模型才能学习到干净的“正常”基线。
• 统计库：对于非视觉数据，Scikit-learn 库提供 Isolation Forest 和单类支持向量机 (SVM)等标准算法。
• 集成式工作流：Ultralytics Platform简化了这些模型的生命周期管理，提供数据集标注、云端训练以及将 YOLO26 等高效模型部署到边缘设备以进行实时推理的工具。