> 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-tasks/anomaly-detection.md).

# विसंगति पहचान

सामान्य इमेज पर ट्रेनिंग करके उन दोषों को चिह्नित करें जिनकी तस्वीरें आपके पास कम हैं या बिल्कुल नहीं हैं, फिर Roboflow पर अपना एनोमली डिटेक्शन मॉडल डिप्लॉय करें।

## एनोमली डिटेक्शन क्या है?

एनोमली डिटेक्शन केवल सामान्य इमेज से सीखता है कि सामान्य इमेज कैसी दिखती है, फिर उससे अलग दिखने वाली इमेज को चिह्नित करता है। हर इमेज के लिए मॉडल "normal" या "anomalous" परिणाम, एक एनोमली स्कोर और इमेज में अंतर दिखाने वाला हीटमैप लौटाता है। आपको हर दोष की तस्वीरों की ज़रूरत नहीं होती, इसलिए यह उन समस्याओं के लिए उपयुक्त है जिनमें दोष दुर्लभ हों या बहुत अलग-अलग प्रकार के हों।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-fe2da5b5e5420fdf0e904cacb5f71171b5fbdd14%2Fimg-task-anomaly-detection-wide.webp?alt=media" alt="A blemished orange outlined in red and tagged Anomaly, with a heatmap over the blemish"><figcaption></figcaption></figure>

नीचे दिए गए वीडियो में तीन उदाहरण प्रोजेक्ट, एनोमली डिटेक्शन प्रोजेक्ट सेट अप करने का तरीका और PatchCore तथा FoundAD की तुलना दिखाई गई है:

{% embed url="<https://www.youtube.com/watch?v=8hphbdPIqK0>" %}

## समर्थित एनोमली डिटेक्शन मॉडल

Roboflow इन एनोमली डिटेक्शन मॉडल का समर्थन करता है। प्रत्येक मॉडल के लिए एक्सपोर्ट और डिप्लॉयमेंट समर्थन की जानकारी के लिए [एनोमली डिटेक्शन मॉडल](https://docs.roboflow.com/models/hi/supported-models.md#anomaly-detection) तालिका देखें।

<table data-search="false"><thead><tr><th>मॉडल</th><th>लाइसेंस</th><th data-type="checkbox">Roboflow पर ट्रेन किया जा सकता है</th><th>नवीनतम रिलीज़</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/models/hi/supported-models/patchcore.md">PatchCore</a></td><td><a href="https://docs.roboflow.com/models/hi/model-licenses.md">Apache 2.0</a> (व्यावसायिक उपयोग के लिए मुफ़्त)</td><td>true</td><td>2021</td></tr><tr><td><a href="https://docs.roboflow.com/models/hi/supported-models/foundad.md">FoundAD</a></td><td><a href="https://docs.roboflow.com/models/hi/model-licenses.md#other-models">अपस्ट्रीम लाइसेंस</a></td><td>true</td><td>2025</td></tr></tbody></table>

## एनोमली डिटेक्शन मॉडल चुनना

FoundAD अधिक सटीक है, खासकर तब जब आपके पास केवल कुछ सामान्य इमेज हों। अधिक सामान्य इमेज दोनों मॉडल को बेहतर बनाती हैं, लेकिन PatchCore को सबसे अधिक लाभ होता है।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-cede5a786ee20a3c831b3ddab964182dac7b742d%2Fanomaly-detection-accuracy-by-training-images.webp?alt=media" alt="Image AUROC of PatchCore and FoundAD on four VisA categories, trained on 4 normal images and on all of them"><figcaption><p>चार श्रेणियों के परिणाम: <a href="https://github.com/amazon-science/spot-diff">VisA डेटासेट</a> (CC BY 4.0)।</p></figcaption></figure>

ट्रेनिंग सेट के किसी भी आकार पर FoundAD हर इमेज के लिए समान समय लेता है। अधिक सामान्य इमेज जोड़ने या इमेज का आकार बढ़ाने पर PatchCore धीमा हो जाता है (देखें [PatchCore की इनफ़रेंस गति](https://docs.roboflow.com/models/hi/supported-models/patchcore.md#inference-speed))। दोनों में से कौन तेज़ है, यह आपके हार्डवेयर और सेटिंग पर निर्भर करता है।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-04198da5b0b1dcfc8ff44cad13dfd9b2f21ffc91%2Fanomaly-detection-accuracy-vs-inference-time.webp?alt=media" alt="Average image AUROC against mean inference time per image for PatchCore and FoundAD on a Jetson AGX Orin, a Jetson Orin NX 16GB, and Roboflow Serverless"><figcaption><p>प्रत्येक मॉडल के लिए 100 अनुरोधों का औसत सर्वर निष्पादन समय, जिसे <code>inference benchmark api-speed</code> से Roboflow Inference 1.8 पर मापा गया (दोनों Jetson पर सार्वजनिक Jetson 6.2 इमेज)। PatchCore का आकार 224×224 और FoundAD का 512×512 था।</p></figcaption></figure>

PatchCore मिनटों में ट्रेन हो जाता है। FoundAD को अधिक समय लगता है; बड़े डेटासेट पर कई घंटे लग सकते हैं।

{% hint style="info" %}
ये परिणाम एक बेंचमार्क से आए हैं: दोनों मॉडल को उनके डिफ़ॉल्ट इमेज आकार पर VisA डेटासेट की चार श्रेणियों पर ट्रेन किया गया और उसके टेस्ट स्प्लिट पर उनका स्कोर मापा गया। आपके डेटा पर सटीकता और गति आपकी इमेज, दोषों, इमेज के आकार और हार्डवेयर पर निर्भर करती है, इसलिए चुनने से पहले दोनों मॉडल का परीक्षण करें।
{% endhint %}

## एनोमली डिटेक्शन मॉडल को फ़ाइन-ट्यून करना

इन [PatchCore](https://docs.roboflow.com/models/hi/supported-models/patchcore.md#train-patchcore) और [FoundAD](https://docs.roboflow.com/models/hi/supported-models/foundad.md#train-foundad) के पेजों पर इस कार्य के लिए स्प्लिट और प्रीप्रोसेसिंग के नियम बताए गए हैं।

{% stepper %}
{% step %}

### एनोमली डिटेक्शन प्रोजेक्ट बनाएं

एक [प्रोजेक्ट](https://docs.roboflow.com/datasets/create-and-upload/create-a-project) बनाएं और प्रोजेक्ट प्रकार के रूप में "एनोमली डिटेक्शन" चुनें।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-e5fc378cd1e0d2d941b90739fd5dd8d7ae6ad898%2Fcreate-project-anomaly-detection.webp?alt=media" alt="Create project form with Anomaly Detection selected as the project type and a preview of an anomaly detection example"><figcaption></figcaption></figure>
{% endstep %}

{% step %}

### इमेज अपलोड करें और लेबल लगाएं

[इमेज अपलोड करें](https://docs.roboflow.com/datasets/create-and-upload/adding-data), फिर [एनोटेशन एडिटर](https://docs.roboflow.com/datasets/annotate/annotate/annotation-tools)में हर इमेज को "सामान्य" या "असामान्य" लेबल दें। आपकी अधिकांश इमेज सामान्य होनी चाहिए। मॉडल केवल सामान्य इमेज पर ट्रेन होता है। असामान्य इमेज निर्णय की सीमा तय करने और सटीकता मापने के काम आती हैं, इसलिए वे केवल valid और test स्प्लिट में जाती हैं।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-b684088eff1e6aca44ee895f5dae24c290904598%2Fannotate-anomaly-detection.webp?alt=media" alt="Annotation editor on an egg image with the class picker open and normal selected over anomalous"><figcaption></figcaption></figure>
{% endstep %}

{% step %}

### डेटासेट का एक वर्ज़न बनाएं

[डेटासेट का एक वर्ज़न बनाएं](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version) जिसमें केवल ऑटो-ओरिएंट और "Stretch to" रीसाइज़ प्रीप्रोसेसिंग चरण हों और कोई ऑगमेंटेशन न हो।
{% endstep %}

{% step %}

### एनोमली डिटेक्शन मॉडल ट्रेन करें

"ट्रेन करें" पर क्लिक करें और PatchCore या FoundAD चुनें। देखें [मॉडल को ट्रेन करें](https://docs.roboflow.com/models/hi/train/train-a-model.md) हर विकल्प के लिए।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-1fe669ed568dac9ed343aad1414ef317a2c0b14a%2Ftrain-architectures-anomaly-detection.webp?alt=media" alt="Select Architecture step on the Train page listing PatchCore and FoundAD"><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

## विसंगति पहचान मॉडल को डिप्लॉय करें

ट्रेनिंग के बाद, अपने विसंगति पहचान मॉडल को डिप्लॉय करें: [सर्वरलेस क्लाउड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), एक [समर्पित डिप्लॉयमेंट](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments), या अपने हार्डवेयर पर [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted)। विकल्पों की तुलना के लिए [डिप्लॉयमेंट चुनना](https://docs.roboflow.com/deployment/choosing-a-deployment) देखें।
