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，专注于识别偏离数据集正常行为的数据点、事件或观测结果。该过程通常被称为离群值检测，它假设大部分数据遵循特定的模式或分布，任何落入此既定规范之外的数据都被视为异常。这些不规则性可能表明发生了重大事件，例如制造中的结构缺陷、文本数据中的错误或网络流量中的潜在安全漏洞。高级算法（包括深度学习 (DL)中使用的算法）被用于高准确率地自动识别这些罕见事件。

异常检测与目标检测#

虽然这两种方法对于现代计算机视觉 (CV)都至关重要，但区分异常检测与标准目标检测非常重要。

• 目标检测通常是一个闭集问题，其中模型使用边界框识别并定位特定的已知类别（例如，“汽车”、“人”、“交通灯”）。系统会在正好需要找到的内容的标注示例上进行训练。
• 异常检测通常被视为一个开集问题。系统学习“正常”的表示并标记未知的偏差。例如，视觉检测系统可能是在数千张完美产品的图像上进行训练的。然后，它必须将任何划痕、凹痕或变色识别为异常，即使它以前从未遇到过该特定类型的缺陷。

然而，像最先进的Ultralytics YOLO26这样强大的目标检测器可以有效地进行调整以用于监督异常检测。通过将已知缺陷视为训练数据中的不同类别，工程师可以训练模型来精确定位特定类型的不规则性。

实际应用#

自动发现不规则现象的能力使得异常检测在各种不适合人工监控的高风险行业中不可或缺。

• 制造业中的 AI：自动光学检查 (AOI) 系统监控生产线以实时识别结构缺陷。通过实施预测性维护，工厂可以检测机械中的异常振动或热特征，从而防止代价高昂的停机。
• 医学图像分析：在医疗保健领域，算法分析 MRI 或 CT 扫描以突出显示潜在的病理。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，这是医疗保健中的 AI 的关键组成部分。
• 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购买），系统就会将该交易标记为潜在的安全漏洞，正如金融欺诈检测方法中所述。
• 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签名。通过建立正常流量的基线，系统可以早期识别网络攻击或数据渗漏尝试。

使用 Ultralytics YOLO26 实现缺陷检测#

异常检测的实用方法包括训练视觉模型以识别特定的缺陷类别。最新的模型（例如YOLO26）针对此任务进行了优化，与 YOLO11 等先前迭代版本相比，具有出色的速度和精度。以下示例演示了如何加载预训练模型并运行推理以识别标记为对象的异常。

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#

开发有效的异常检测系统需要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：像PyTorch和TensorFlow这样的库为训练基于视觉的检测中使用的复杂神经网络提供了计算后端。
• 数据准备：用于数据清洗的工具对于从初始训练集中移除离群值至关重要，以便模型学习干净的“正常”基线。
• 统计库：对于非视觉数据，Scikit-learn库提供了孤立森林和单分类支持向量机 (SVM)等标准算法。
• 集成工作流：Ultralytics 平台简化了这些模型的生命周期，提供用于标注数据集、基于云的训练以及将诸如 YOLO26 等高效模型部署到边缘设备以进行实时推理的工具。