异常检测

异常检测是人工智能 (AI)和机器学习 (ML)领域的一项关键技术，专注于识别与数据集正常行为显著偏离的数据点、事件或观测值。该过程常被称为离群点检测，它假设大多数数据遵循特定模式或分布，任何超出此既定规范的都被视为异常。这些异常情况可能预示着关键事件，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潜在的安全漏洞。包括深度学习 (DL)中使用的先进算法被用于高准确性地自动化识别这些罕见事件。

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，但区分异常检测和标准目标detect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和定位特定、已知类别（例如，“汽车”、“行人”、“交通灯”）。系统在需要精确查找内容的标记示例上进行训练。
• 异常检测通常被视为一个开放集问题。系统学习“正常”的表示，并标记未知的偏差。例如，一个视觉检测系统可能在数千张完美产品的图像上进行训练。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缺陷类型。

然而，像最先进的Ultralytics YOLO26这样的鲁棒目标检测器可以有效地适应于监督式异常检测。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异常。

实际应用

自动发现异常的能力使得异常检测在各种手动监控不切实际的高风险行业中不可或缺。

• 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病理。detect 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 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论中所述。
• 网络入侵检测：网络安全工具监控网络流量，以发现流量激增或异常数据包签名。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泄露尝试。

使用 YOLO26 实现缺陷检测

异常检测的一种实用方法是训练视觉模型以识别特定缺陷类别。最新模型，例如YOLO26，针对此任务进行了优化，与 YOLO11 等早期迭代相比，提供了卓越的速度和精度。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一个鲁棒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: PyTorch和TensorFlow等库为训练视觉检测中使用的复杂神经网络提供了计算后端。
• 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，以便模型学习到“正常”的干净基线。
• 统计库：对于非视觉数据，Scikit-learn库提供了诸如孤立森林和单类支持向量机 (SVM)等标准算法。
• 集成工作流：Ultralytics Platform 简化了这些模型的生命周期，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。