> 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/ja/supported-models/foundad.md).

# FoundAD

Roboflowで正常画像を使用してFoundAD異常検知モデルを学習し、Serverless Cloud APIで実行します

FoundADは、画像を使わなくても欠陥を検出します。正常画像だけから正常な部品がどのように見えるかを学習し、それからそれと異なる画像をすべてフラグします。固定されたDINOv3エンコーダーと、正常画像の特徴を再構築するよう学習された小さな予測器を組み合わせています。予測器が再構築できない画像パッチは異常です。各予測では、「normal」または「anomalous」の判定、未加工の異常スコア、そして画像のどこが異なるかを示すヒートマップが返されます。エンコーダーはViT-Bなので、FoundADはGPUで最もよく動作します。推論時間は学習データセットのサイズに関係なく同じです。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-683f809344207112fede594158241aa65f00edf6%2Ffoundad-egg-anomaly-heatmap.webp?alt=media" alt="FoundAD 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>正常な卵で学習したFoundADモデルは、きれいな卵は通し、ひび割れた卵と汚れのある卵をフラグします。ヒートマップは、各画像が異常しきい値を超えている場所を示し、端では緑、最も強い箇所では赤になります。</p></figcaption></figure>

試す [PatchCore](https://docs.roboflow.com/models/ja/supported-models/patchcore.md) CPUで高速なスコアリングが必要で、224×224の画像で欠陥が十分に見えるなら。FoundADのほうがより正確で、特に正常画像が少ない場合に優れています。比較するには [異常検知モデルの選び方](https://docs.roboflow.com/models/ja/supported-tasks/anomaly-detection.md#choosing-an-anomaly-detection-model) を参照してください。

## FoundADを学習する

{% stepper %}
{% step %}

### 正常画像と異常画像にラベルを付ける

異常検知プロジェクトを作成する [プロジェクト](https://docs.roboflow.com/datasets/create-and-upload/create-a-project)を作成し、画像をアップロードして、それぞれに「normal」または「anomalous」とラベル付けします。画像の大半は正常である必要があります。モデルは正常画像のみで学習します。異常画像は判定しきい値を設定し、精度を測るために使われるので、有効データ分割とテスト分割にのみ入れます。
{% endstep %}

{% step %}

### バージョンを生成する

前処理は自動回転と「Stretch to」リサイズのみを使用し、拡張は行いません。画像サイズは正方形で、32〜1024ピクセルの範囲内、かつ16で割り切れる必要があります。FoundADの既定値は512×512です。
{% endstep %}

{% step %}

### 学習を開始する

[モデルを学習する](https://docs.roboflow.com/models/ja/xue-xi/train-a-model.md) を選択します。学習にはPatchCoreより時間がかかり、大きなデータセットでは数時間かかることもあります。学習が完了すると、Roboflowは学習中に保存したしきい値を使って、テストセット上のprecision、recall、F1を報告します。
{% endstep %}
{% endstepper %}

## FoundAD API

{% stepper %}
{% step %}

### APIキーを取得する

キーは次の場所で確認できます。 [RoboflowのAPI設定ページ](https://app.roboflow.com/settings/api) を開き、シェルから使えるようにします：

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

{% endstep %}

{% step %}

### 依存関係をインストールする

次をインストールします： [Inference SDK](https://docs.roboflow.com/deployment/self-hosted/self-hosted):

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

{% endstep %}

{% step %}

### モデルを実行する

学習済みモデルをIDで呼び出します（参照 [バージョン、学習、モデル](https://docs.roboflow.com/models/ja/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" をモデルIDに置き換えてください。
result = client.infer("my-image.jpg", model_id="your-project/1")

print(result["top"])  # "normal" または "anomalous"
print(result["anomaly_score"], result["anomaly_threshold"])
heatmap = result["anomaly_map"]  # NumPy配列。値が大きいほど異常です
```

{% endstep %}
{% endstepper %}

レスポンスには次のフィールドがあります：

* `top`: 判定で、「normal」または「anomalous」。
* `anomaly_score`: 未加工のスコア。大きいほど異常です。スコアに固定の範囲はありません。
* `anomaly_threshold`: 画像が異常になるスコア。学習中に保存されます。
* `confidence` および `predictions`: 判定の信頼度と各クラスの信頼度です。「anomalous」の信頼度はスコアとともに増加し、しきい値ではちょうど0.5になるため、欠陥確率ではありません。
* `anomaly_map`: ヒートマップ。次を設定した場合にのみ返されます `include_anomaly_map=True`。これはモデル入力サイズの正方形配列なので、画像の幅と高さに合わせて伸縮し、重ねて表示してください。

{% hint style="info" %}
次を設定してください `api_url` をデプロイ先に合わせます：

* `https://serverless.roboflow.com` Serverless Cloud API 用。
* `http://localhost:9001` ローカルの [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) サーバー（バージョン1.7.4以降）用。
* あなたの [Dedicated Deployment](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) プライベートエンドポイント用URL。
  {% endhint %}

## Workflow で FoundAD を使う

次を追加します： [異常検知モデル](https://docs.roboflow.com/workflows/blocks/blocks/run-a-model/anomaly-detection-model) ブロックを [Workflow に](https://docs.roboflow.com/workflows) 画像をスコアリングし、その `anomaly_map` 出力を [異常ヒートマップ表示](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) ブロックに接続してヒートマップを描画します。セルフホストのWorkflowでは、これらのブロックにInference 1.8.2以降が必要です。ブロックの `confidence` を調整して、再学習せずに見逃し欠陥と誤警報のトレードオフを行います。値を下げると、より多くの画像を異常としてフラグします。

## ライセンス

FoundADは [ymxlzgy/FoundAD](https://github.com/ymxlzgy/FoundAD) に従い、MITライセンスの下で提供されています。DINOv3エンコーダーの重みは次の対象です： [DINOv3ライセンス](https://github.com/facebookresearch/dinov3?tab=License-1-ov-file)。参照： [モデルライセンス](https://docs.roboflow.com/models/ja/model-licenses.md#other-models).
