使用Anomalib训练自定义数据集进行图像分割：从数据准备到模型部署全流程指南

1次阅读

共计 1354 个字符，预计需要花费 4 分钟才能阅读完成。

工业质检、医疗影像等领域常需检测图像中的异常区域。传统方法依赖大量标注数据，而 Anomalib 作为开源异常检测库，支持半监督和无监督学习，能有效降低标注成本。但实践中开发者常遇到以下问题：

数据格式兼容性差 ：COCO/MVTech 等标准数据集结构与业务数据不匹配
模型选择困难 ：PatchCore、CFlow 等算法在不同场景下表现差异大
调参经验缺乏 ：超参数设置不当导致训练振荡或欠拟合

PatchCore
优点：内存高效，适合高分辨率图像
缺点：对纹理变化敏感
CFlow
优点：概率建模能力强
缺点：训练时间较长
FastFlow
折中选择：平衡速度与精度

硬件受限时选 PatchCore
需精细分割时用 CFlow
实时检测场景推荐 FastFlow

from anomalib.data.utils import transforms
from torchvision import datasets

# 自定义数据集类
class CustomDataset(datasets.ImageFolder):
    def __init__(self, root):
        super().__init__(root, transform=transforms.Compose([transforms.Resize(256),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                                 std=[0.229, 0.224, 0.225])
        ]))

from anomalib.models import Patchcore
from anomalib.engine import Engine

model = Patchcore(
    backbone="wide_resnet50_2",
    layers=["layer2", "layer3"],  # 中间层特征提取
    pre_trained=True
)

engine = Engine(
    model=model,
    devices="auto",
    max_epochs=100,
    precision=16  # 混合精度训练
)
engine.fit(datamodule=data_module)

batch_size
显存充足时建议 32-64
小批量需配合梯度累积
学习率
Adam 优化器推荐 1e- 4 初始值
配合 ReduceLROnPlateau 调度

使用 Warmup 避免早期震荡
通过 EMA 平滑模型权重

Loss 不下降
检查数据归一化范围
尝试冻结 backbone 初始层
显存溢出
启用梯度检查点
降低测试时输入分辨率

torch.onnx.export(
    model,
    dummy_input,
    "model.onnx",
    opset_version=12,
    dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}
)