> 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-tasks/anomaly-detection.md).

# 異常検知

正常な画像を使って学習することで、画像がほとんどない、またはまったくない欠陥を検出し、独自の異常検知モデルをRoboflowにデプロイできます。

## 異常検知とは

異常検知では、正常な画像だけから正常な画像の特徴を学習し、それと異なる画像を検出します。モデルは各画像について、「normal」または「anomalous」の判定、異常スコア、および画像内の異なる箇所を示すヒートマップを返します。あらゆる欠陥の画像を用意する必要がないため、欠陥がまれにしか発生しない場合や、種類が多岐にわたる場合に適しています。

<figure><img src="https://1194881119-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>

次の動画では、3つのプロジェクト例、異常検知プロジェクトの設定方法、PatchCoreとFoundADの比較を紹介しています。

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

## サポートされる異常検知モデル

Roboflowは次の異常検知モデルをサポートしています。モデルごとのエクスポートとデプロイのサポートについては、 [異常検知モデル](https://docs.roboflow.com/models/ja/supported-models.md#anomaly-detection) の表を参照してください。

<table data-search="false"><thead><tr><th>モデル</th><th>ライセンス</th><th data-type="checkbox">Roboflowで学習可能</th><th>最新リリース</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/patchcore.md">PatchCore</a></td><td><a href="https://docs.roboflow.com/models/ja/model-licenses.md">Apache 2.0</a> （商用利用無料）</td><td>true</td><td>2021</td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/foundad.md">FoundAD</a></td><td><a href="https://docs.roboflow.com/models/ja/model-licenses.md#other-models">アップストリームのライセンス</a></td><td>true</td><td>2025</td></tr></tbody></table>

## 異常検知モデルの選択

FoundADは、特に正常な画像が少ない場合に、より高い精度を発揮します。正常な画像を増やすと両モデルの精度が向上しますが、特にPatchCoreで効果が大きくなります。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-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>次のデータセットの4カテゴリにおける結果： <a href="https://github.com/amazon-science/spot-diff">VisAデータセット</a> （CC BY 4.0）。</p></figcaption></figure>

FoundADは、学習セットのサイズにかかわらず、画像ごとの処理時間が一定です。PatchCoreは、正常な画像を追加したり画像サイズを大きくしたりすると遅くなります（ [PatchCoreの推論速度](https://docs.roboflow.com/models/ja/supported-models/patchcore.md#inference-speed)を参照）。どちらが速いかは、ハードウェアと設定によって異なります。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-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>モデルごとに100リクエストを実行した際のサーバー実行時間の平均。 <code>inference benchmark api-speed</code> を使用し、Roboflow Inference 1.8で測定しました（両方のJetsonで公開されているJetson 6.2イメージを使用）。PatchCoreは224×224、FoundADは512×512です。</p></figcaption></figure>

PatchCoreの学習は数分で完了します。FoundADはそれより時間がかかり、大規模なデータセットでは数時間に及ぶことがあります。

{% hint style="info" %}
これらの結果は、1つのベンチマークによるものです。両モデルをVisAデータセットの4カテゴリについてそれぞれデフォルトの画像サイズで学習し、テスト用の分割で評価しました。実際のデータでの精度と速度は、画像、欠陥、画像サイズ、ハードウェアによって異なるため、選択する前に両モデルをテストしてください。
{% endhint %}

## 異常検知モデルのファインチューニング

このタスクのデータ分割と前処理のルールについては、 [PatchCore](https://docs.roboflow.com/models/ja/supported-models/patchcore.md#train-patchcore) と [FoundAD](https://docs.roboflow.com/models/ja/supported-models/foundad.md#train-foundad) のページを参照してください。

{% stepper %}
{% step %}

### 異常検知プロジェクトの作成

新しい [プロジェクト](https://docs.roboflow.com/datasets/create-and-upload/create-a-project) を作成し、プロジェクトタイプとして「異常検知」を選択します。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-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 %}

### 画像のアップロードとラベル付け

[画像をアップロード](https://docs.roboflow.com/datasets/create-and-upload/adding-data)し、 [アノテーションエディター](https://docs.roboflow.com/datasets/annotate/annotate/annotation-tools)で各画像に「正常」または「異常」のラベルを付けます。画像の大半は正常なものにしてください。モデルは正常な画像のみで学習します。異常な画像は判定しきい値の設定と精度の測定に使用するため、検証用とテスト用の分割にのみ割り当てます。

<figure><img src="https://1194881119-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 %}

### データセットバージョンの生成

[データセットバージョンを生成](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version) します。前処理には自動方向補正と「指定サイズに伸縮」リサイズのみを使用し、データ拡張は行わないでください。
{% endstep %}

{% step %}

### 異常検知モデルの学習

「学習」をクリックし、PatchCoreまたはFoundADを選択します。次を参照してください： [モデルをトレーニングする](https://docs.roboflow.com/models/ja/xue-xi/train-a-model.md) すべてのオプションについて。

<figure><img src="https://1194881119-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 %}

## 異常検知モデルをデプロイする

トレーニング後、異常検知モデルを次の方法でデプロイできます。 [サーバーレス Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)、 [専用デプロイ](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments)、または [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted)を使用して独自のハードウェア上にデプロイできます。詳しくは [デプロイ方法の選択](https://docs.roboflow.com/deployment/choosing-a-deployment) をご覧ください。各オプションを比較できます。
