ATSAnomaly 异常检测¶

适合仅使用正常 OK 图片建立特征库，再判断新图片是否偏离正常分布的场景。当前实现基于 PatchCore 方法，不按普通分类方式进行多轮梯度训练。

训练与校准数据¶

训练目录只放 OK 图片。独立校准目录也只放 OK 图；留空时按内容去重，固定随机种子 42，留出约 20% 做校准，至少需要 3 张不同图片。校准图不参与特征库构建，训练与独立校准之间内容重复会报错。

仅用 OK 图估计阈值，不能据此声称已测得缺陷召回率、误检率或生产精度；需要独立 OK/NG 测试样本验证业务效果。

参数	作用
骨干	ResNet18（较快）或 Wide ResNet50-2（高容量），使用随附预训练权重且冻结参数
图像尺寸	默认 256；完整图片缩放为正方形，不中心裁掉边缘，可能改变长宽比；64～1024 且为 32 的倍数
提取批大小	默认 2，范围 1～16；决定特征提取批次，显存不足时减小
核心集保留比例	默认 0.01；从候选特征中保留的比例，不是保留训练图片的比例
候选特征上限	默认 50000，超出时有界抽样，限制参与核心集选择的候选数量
核心集特征上限	默认 5000，限制最终记忆库特征数

最终核心集数量为 min(核心集特征上限, max(1, int(候选特征数 × 保留比例)))。特征库和图像尺寸增大通常会增加内存、显存及推理计算量。

此页面没有学习率、优化器、epochs 或早停参数；进度分为正常特征提取、核心集采样和 OK 阈值校准三个阶段。

模型保存为 model.patchcore.pt，推理位于本页面的“异常推理验证”。支持单图或图片文件夹。

异常分数是特征距离，不是概率，不要求落在 0～1。构建时用 OK 校准分数估计图像级和像素级阈值。推理阈值倍率默认 1：小于 1 更敏感，大于 1 更宽松。图像分数达到图像阈值判为 NG，像素掩膜由像素阈值决定，二者不是同一个统计量。

结果包括 OK/NG、异常分数、热力图、叠加图、掩膜、原始分数图及 JSON/CSV。输出目录不得位于输入图片目录中，防止结果再次被当作输入。

当前模型格式不是通用 ONNX、普通分类 PT 或经典推理模型；不要在主“模型推理验证”里选择它。CPU 和单张 NVIDIA GPU 均使用独立异常检测环境。