Обнаружение аномалий

Обнаружение аномалий — это важная техника в области искусственного интеллекта (ИИ) и машинного обучения (МЛ), направленная на выявление точек данных, событий или наблюдений, которые значительно отклоняются от нормального поведения набора данных. Этот процесс, часто называемый обнаружением выбросов, предполагает, что большая часть данных следует определенной схеме или распределению, и все, что выходит за пределы этой установленной нормы, считается аномалией. Эти несоответствия могут указывать на критические инциденты, такие как структурные дефекты в производстве, ошибки в текстовых данных или потенциальные нарушения безопасности в сетевом трафике. Для автоматизации распознавания этих редких событий с высокой точностью используются сложные алгоритмы, в том числе алгоритмы, применяемые в глубоком обучении (DL).

Обнаружение аномалий и обнаружение объектов

Хотя обе методологии имеют основополагающее значение для современного компьютерного зрения (CV), важно различать обнаружение аномалий и стандартное обнаружение объектов.

• Обнаружение объектов — это, как правило, задача с замкнутым набором, в которой модель идентифицирует и локализует конкретные, известные классы (например, «автомобиль», «человек», «светофор») с помощью ограничительных рамок. Система обучается на помеченных примерах того, что именно ей нужно найти.
• Обнаружение аномалий часто рассматривается как проблема открытого набора. Система изучает представление «нормальности» и отмечает неизвестные отклонения. Например, система визуального контроля может быть обучена на тысячах изображений идеальных продуктов. Затем она должна идентифицировать любую царапину, вмятину или изменение цвета как аномалию, даже если она никогда раньше не сталкивалась с этим конкретным типом дефекта.

Однако надежные детекторы объектов, такие как современный Ultralytics , могут быть эффективно адаптированы для контролируемого обнаружения аномалий. Рассматривая известные дефекты как отдельные классы в рамках учебных данных, инженеры могут обучать модели выявлять конкретные типы несоответствий.

Применение в реальном мире

Способность автоматически выявлять несоответствия делает обнаружение аномалий незаменимым в различных отраслях с высокими ставками , где ручной мониторинг нецелесообразен.

• ИИ в производстве: Системы автоматического оптического контроля (AOI) отслеживают производственные линии для выявления структурных дефектов в режиме реального времени. Благодаря внедрению прогнозного технического обслуживания заводы могут detect вибрации или тепловые сигнатуры в оборудовании, предотвращая дорогостоящие простои.
• Анализ медицинских изображений: В здравоохранении алгоритмы анализируют МРТ- или КТ-сканы, чтобы выявить потенциальные патологии. Обнаружение опухолей или переломов, которые отличаются от здоровых тканей, помогает радиологам быстрее ставить диагнозы, что является ключевым компонентом ИИ в здравоохранении.
• Обнаружение финансового мошенничества: банки используют статистическое обнаружение аномалий для мониторинга потоков транзакций. Если поведение пользователя в отношении расходов внезапно меняется — например, в случае крупной покупки в другой стране — система помечает транзакцию как потенциальное нарушение безопасности, как описано в методологии обнаружения финансового мошенничества.
• Обнаружение вторжений в сеть: инструменты кибербезопасности отслеживают сетевой трафик на предмет всплесков или необычных подписей пакетов. Установив базовый уровень нормального трафика, системы могут на ранней стадии выявлять кибератаки или попытки вывода данных .

Реализация обнаружения дефектов с помощью YOLO26

Практический подход к обнаружению аномалий включает обучение модели зрения распознаванию определенных классов дефектов. Новейшие модели, такие как YOLO26, оптимизированы для этой задачи и обладают более высокой скоростью и точностью по сравнению с предыдущими версиями, такими как YOLO11. Следующий пример демонстрирует как загрузить предварительно обученную модель и запустить инференцию для выявления аномалий, помеченных как объекты.

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

Инструменты и экосистема

Разработка эффективных систем обнаружения аномалий требует надежной программной экосистемы для обработки предварительной обработки данных и управления жизненным циклом модели .

• Фреймворки глубокого обучения: библиотеки, такие как PyTorch и TensorFlow предоставляют вычислительный бэкэнд для обучения сложных нейронных сетей, используемых в системах обнаружения на основе зрения.
• Подготовка данных: инструменты для очистки данных необходимы для удаления выбросов из исходного обучающего набора, чтобы модель обучалась на чистой базовой линии «нормального».
• Статистические библиотеки: для не визуальных данных библиотека Scikit-learn предлагает стандартные алгоритмы, такие как Isolation Forest и One-Class Support Vector Machine (SVM).
• Интегрированные рабочие процессы: Ultralytics оптимизирует жизненный цикл этих моделей, предлагая инструменты для аннотирования наборов данных, облачного обучения и развертывания эффективных моделей, таких как YOLO26, на периферийных устройствах для вывода в реальном времени.