> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/supported-models/patchcore.md).

# PatchCore

Roboflow में सामान्य छवियों पर PatchCore विसंगति पहचान मॉडल प्रशिक्षित करें और उन्हें Serverless Cloud API के माध्यम से चलाएँ

PatchCore बिना उनकी तस्वीरें देखे दोषों का पता लगाता है। यह केवल सामान्य छवियों से सीखता है कि सामान्य हिस्सा कैसा दिखता है, फिर उससे अलग दिखने वाली किसी भी छवि को चिह्नित करता है। यह आपकी सामान्य छवियों से छोटे इमेज पैचों की विशेषताएँ (WideResNet50 बैकबोन से) संग्रहीत करता है और सबसे असामान्य पैच के आधार पर नई छवि को स्कोर करता है। हर पूर्वानुमान एक "normal" या "anomalous" निर्णय, एक कच्चा असामान्यता स्कोर, और छवि कहाँ अलग है उसका हीटमैप देता है। डिफ़ॉल्ट 224×224 पर स्कोरिंग हल्की होती है, इसलिए PatchCore CPU पर अच्छी तरह चलता है।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-e23341d273e9ec2b2d93ce2f30b9698bac0ae737%2Fpatchcore-egg-anomaly-heatmap.webp?alt=media" alt="PatchCore results on a normal egg, a cracked egg, and a stained egg: the normal egg is framed in green, the cracked and stained eggs are framed in red with a heatmap on each defect"><figcaption><p>सामान्य अंडों पर प्रशिक्षित PatchCore मॉडल साफ़ अंडे को पास करता है और फटे तथा दागदार अंडों को चिह्नित करता है। हीटमैप दिखाता है कि प्रत्येक छवि असामान्यता सीमा से कहाँ ऊपर है, किनारे पर हरे से लेकर सबसे मजबूत बिंदु पर लाल तक।</p></figcaption></figure>

आजमाएँ [FoundAD](https://docs.roboflow.com/models/hi/supported-models/foundad.md) यदि PatchCore सूक्ष्म दोषों को चूक जाए या आपके पास केवल कुछ सामान्य छवियाँ हों। यह एक बड़ा DINOv3 एन्कोडर उपयोग करता है और GPU पर सबसे अच्छा चलता है। देखें [एनोमली डिटेक्शन मॉडल चुनना](https://docs.roboflow.com/models/hi/supported-tasks/anomaly-detection.md#choosing-an-anomaly-detection-model) दोनों की तुलना करने के लिए।

## PatchCore को प्रशिक्षित करें

{% stepper %}
{% step %}

### सामान्य और असामान्य छवियों को लेबल करें

एक एनोमली डिटेक्शन बनाएँ [प्रोजेक्ट](https://docs.roboflow.com/datasets/create-and-upload/create-a-project), छवियाँ अपलोड करें, और प्रत्येक को "normal" या "anomalous" के रूप में लेबल करें। आपकी अधिकांश छवियाँ सामान्य होनी चाहिए। मॉडल केवल सामान्य छवियों पर प्रशिक्षित होता है। असामान्य छवियाँ निर्णय-सीमा निर्धारित करती हैं और सटीकता मापती हैं, इसलिए वे केवल वैलिड और टेस्ट विभाजनों में जाती हैं।
{% endstep %}

{% step %}

### एक संस्करण बनाएँ

केवल auto-orient और "Stretch to" resize preprocessing steps का उपयोग करें, और कोई augmentation नहीं। छवि का आकार वर्गाकार होना चाहिए, 32 से 1024 पिक्सेल तक। PatchCore का डिफ़ॉल्ट 224×224 है।

{% hint style="info" %}
224×224 ही रखें, जब तक कि आपके दोष उस आकार में देखने के लिए बहुत छोटे न हों। बड़ी छवियाँ PatchCore को बहुत धीमा कर देती हैं (देखें [इनफ़रेंस गति](#inference-speed)).
{% endhint %}
{% endstep %}

{% step %}

### एक प्रशिक्षण शुरू करें

[मॉडल को प्रशिक्षित करें](https://docs.roboflow.com/models/hi/train/train-a-model.md) और PatchCore चुनें। जब प्रशिक्षण समाप्त होता है, Roboflow परीक्षण सेट पर precision, recall, और F1 रिपोर्ट करता है, प्रशिक्षण के दौरान सहेजी गई threshold का उपयोग करके।
{% endstep %}
{% endstepper %}

## इनफ़रेंस गति

PatchCore एक छवि के हर पैच की तुलना आपकी सामान्य प्रशिक्षण छवियों के पैचों के एक मेमोरी बैंक से करता है। अधिक प्रशिक्षण छवियाँ मेमोरी बैंक को बड़ा बनाती हैं। बड़ी छवि का आकार पैचों की संख्या और मेमोरी बैंक, दोनों को बड़ा करता है, इसलिए छवि का आकार सबसे अधिक मायने रखता है। कुछ सौ या अधिक प्रशिक्षण छवियों के साथ बड़े छवि आकारों पर, [FoundAD](https://docs.roboflow.com/models/hi/supported-models/foundad.md) तेज़ हो सकता है।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-d22306601283dce5f374e3a4146b39a6950cc2ad%2Fpatchcore-inference-time-by-resolution.webp?alt=media" alt="PatchCore inference time per image by number of training images, one line per image size from 224×224 to 640×640, with FoundAD as a flat reference line"><figcaption><p>मेमोरी बैंक सभी प्रशिक्षण पैचों का 10% है। डैश वाली रेखा 512×512 पर FoundAD है, जो प्रशिक्षण सेट के किसी भी आकार पर समान रहती है।</p></figcaption></figure>

{% hint style="info" %}
चार्ट Roboflow Inference 1.8 के साथ Apple M4 Max CPU पर एक बेंचमार्क दिखाता है। यह प्रशिक्षण निर्माण वाले आकार के मेमोरी बैंकों का उपयोग करके PatchCore बैकबोन और मेमोरी बैंक खोज का समय मापता है। आपके हार्डवेयर पर समय अलग होगा, लेकिन प्रवृत्ति समान रहती है।
{% endhint %}

## PatchCore API

{% stepper %}
{% step %}

### अपनी API कुंजी प्राप्त करें

अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने शेल में उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}

### निर्भरताएँ इंस्टॉल करें

इंस्टॉल करें [Inference SDK](https://docs.roboflow.com/deployment/self-hosted/self-hosted):

```bash
pip install -U inference-sdk
```

{% endstep %}

{% step %}

### मॉडल चलाएँ

अपने प्रशिक्षित मॉडल को उसके ID से कॉल करें (देखें [संस्करण, प्रशिक्षण, और मॉडल](https://docs.roboflow.com/models/hi/versions-trainings-and-models.md)).

```python
import os
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header", include_anomaly_map=True))

# "your-project/1" को अपने मॉडल ID से बदलें.
result = client.infer("my-image.jpg", model_id="your-project/1")

print(result["top"])  # "normal" या "anomalous"
print(result["anomaly_score"], result["anomaly_threshold"])
heatmap = result["anomaly_map"]  # NumPy array, बड़े मान अधिक असामान्य होते हैं
```

{% endstep %}
{% endstepper %}

प्रतिक्रिया में ये फ़ील्ड हैं:

* `top`: निर्णय, "normal" या "anomalous".
* `anomaly_score`: कच्चा स्कोर। बड़ा होने का मतलब अधिक असामान्य। स्कोर की कोई निश्चित सीमा नहीं है।
* `anomaly_threshold`: वह स्कोर जिस पर कोई छवि असामान्य मानी जाती है, प्रशिक्षण के दौरान सहेजा जाता है।
* `confidence` और `पूर्वानुमान`: निर्णय की, और प्रत्येक वर्ग की, विश्वास-स्तर। "anomalous" का confidence स्कोर के साथ बढ़ता है और सीमा पर ठीक 0.5 होता है, इसलिए यह दोष की संभावना नहीं है।
* `anomaly_map`: हीटमैप, जो केवल तब लौटाया जाता है जब आप `include_anomaly_map=True`सेट करते हैं। यह मॉडल के इनपुट आकार पर एक वर्गाकार ऐरे होता है, इसलिए इसे ओवरले करने के लिए अपनी छवि की चौड़ाई और ऊँचाई तक फैलाएँ।

{% hint style="info" %}
सेट करें `api_url` अपने परिनियोजन लक्ष्य से मेल कराने के लिए:

* `https://serverless.roboflow.com` Serverless Cloud API के लिए।
* `http://localhost:9001` एक स्थानीय [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) सर्वर, संस्करण 1.7.4 या बाद का।
* आपका [समर्पित परिनियोजन](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) एक निजी endpoint के लिए URL।
  {% endhint %}

## Workflow में PatchCore का उपयोग करें

इसे जोड़ें [एनोमली डिटेक्शन मॉडल](https://docs.roboflow.com/workflows/blocks/blocks/run-a-model/anomaly-detection-model) ब्लॉक को एक [Workflow](https://docs.roboflow.com/workflows) छवियों को स्कोर करने के लिए, फिर इसके `anomaly_map` आउटपुट को [एनोमली हीटमैप विज़ुअलाइज़ेशन](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) ब्लॉक को हीटमैप बनाने के लिए जोड़ें। Self-hosted Workflows को इन ब्लॉक्स के लिए Inference 1.8.2 या बाद का चाहिए। ब्लॉक की `confidence` प्रशिक्षण दोबारा किए बिना छूटे हुए दोषों और झूठे अलार्म के बीच संतुलन बनाने के लिए इसे बदलें: अधिक छवियों को असामान्य बताने के लिए इसे कम करें।

## लाइसेंस

PatchCore इसका अनुसरण करता है [amazon-science/patchcore-inspection](https://github.com/amazon-science/patchcore-inspection) और Apache 2.0 के अंतर्गत लाइसेंस प्राप्त है। देखें [मॉडल लाइसेंस](https://docs.roboflow.com/models/hi/model-licenses.md).
