> 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/patchcore.md).

# PatchCore

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

PatchCore は、欠陥の画像を用意しなくても欠陥を見つけます。正常画像だけから通常の部位がどのように見えるかを学習し、それから逸脱した画像を判定します。正常画像から小さな画像パッチの特徴を保存し（WideResNet50 バックボーンを使用）、最も異常なパッチに基づいて新しい画像をスコアリングします。各予測では、「normal」または「anomalous」の判定、元の異常スコア、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。既定の 224×224 では計算負荷が軽いため、PatchCore は CPU でもよく動作します。

<figure><img src="https://1194881119-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>正常な卵で学習した PatchCore モデルは、きれいな卵は正常と判定し、ひび割れた卵と汚れた卵にフラグを立てます。ヒートマップは、各画像が異常しきい値を上回っている箇所を示し、端の緑から最も強い部分の赤へと変化します。</p></figcaption></figure>

試す [FoundAD](https://docs.roboflow.com/models/ja/supported-models/foundad.md) PatchCore が微妙な欠陥を見逃したり、正常画像が少数しかない場合に。より大きな DINOv3 エンコーダーを使用し、GPU 上で最もよく動作します。 [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) を比較してください。

## PatchCore 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](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」のラベルを付けます。画像の大部分は正常画像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定するため、検証用とテスト用の分割にのみ入れます。
{% endstep %}

{% step %}

### バージョンを生成する

前処理は自動方向補正と「Stretch to」によるサイズ変更のみを使用し、拡張は行いません。画像サイズは 32〜1024 ピクセルの正方形でなければなりません。PatchCore の既定値は 224×224 です。

{% hint style="info" %}
そのサイズでは欠陥が小さすぎて見えない場合を除き、224×224 のままにしてください。画像を大きくすると PatchCore はかなり遅くなります（ [推論速度](#inference-speed)).
{% endhint %}
{% 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) で PatchCore を選択します。学習が完了すると、Roboflow は学習時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 %}

## 推論速度

PatchCore は、画像の各パッチを、正常な学習画像から作成したパッチのメモリバンクと比較します。学習画像が増えるほどメモリバンクも大きくなります。画像サイズが大きいほどパッチ数とメモリバンクの両方が増えるため、最も影響が大きいのは画像サイズです。数百枚以上の学習画像がある大きな画像サイズでは、 [FoundAD](https://docs.roboflow.com/models/ja/supported-models/foundad.md) の方が速い場合があります。

<figure><img src="https://1194881119-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>メモリバンクは全学習パッチの 10% です。破線は 512×512 の FoundAD で、学習セットサイズが変わっても同じです。</p></figcaption></figure>

{% hint style="info" %}
このチャートは、Roboflow Inference 1.8 を使って Apple M4 Max CPU で測定した 1 つのベンチマークを示しています。PatchCore のバックボーンとメモリバンク検索の時間を、学習が構築するサイズのメモリバンクを使って計測しています。お使いのハードウェアでは時間は異なりますが、傾向は同じです。
{% endhint %}

## PatchCore API

{% stepper %}
{% step %}

### API キーを取得する

キーは [Roboflow の API 設定ページ](https://app.roboflow.com/settings/api) で確認し、シェルで利用できるようにします:

```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（ [バージョン、トレーニング、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度が高い
```

{% endstep %}
{% endstepper %}

応答には次のフィールドがあります:

* `top`: 判定結果。「normal」または「anomalous」。
* `anomaly_score`: 元のスコア。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`: 画像が異常と見なされるスコア。学習時に保存されます。
* `confidence` と `predictions`: 判定および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、しきい値でちょうど 0.5 になるため、欠陥の確率ではありません。
* `anomaly_map`: ヒートマップ。 `include_anomaly_map=True`を設定した場合にのみ返されます。モデルの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拡大し、重ねて表示します。

{% hint style="info" %}
を設定します `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) サーバー用。バージョン 1.7.4 以降。
* 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の URL。
  {% endhint %}

## Workflow で PatchCore 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](https://docs.roboflow.com/workflows) に追加して画像をスコアリングし、その `anomaly_map` 出力を [異常ヒートマップ可視化](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) ブロックにつなげてヒートマップを描画します。セルフホストの Workflows 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` を変更して、再学習なしで見逃しと誤報のバランスを調整できます。値を下げると、より多くの画像を異常として判定します。

## ライセンス

PatchCore は [amazon-science/patchcore-inspection](https://github.com/amazon-science/patchcore-inspection) に従い、Apache 2.0 の下でライセンスされています。 [モデルのライセンス](https://docs.roboflow.com/models/ja/model-licenses.md).
