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

# FoundAD

Roboflow에서 정상 이미지로 FoundAD 이상 탐지 모델을 학습하고 Serverless Cloud API를 통해 실행하세요

FoundAD는 사진 없이도 결함을 찾아냅니다. 정상 이미지들만 보고 정상 부품이 어떻게 생겼는지 학습한 다음, 그와 다른 이미지는 모두 표시합니다. 고정된 DINOv3 인코더와 정상 이미지의 특성을 복원하도록 학습된 작은 예측기를 결합합니다. 예측기가 복원하지 못하는 이미지 패치는 이상으로 간주됩니다. 각 예측은 "정상" 또는 "이상" 판정, 원시 이상 점수, 그리고 이미지가 어디에서 달라지는지 보여주는 히트맵을 반환합니다. 인코더는 ViT-B이므로 FoundAD는 GPU에서 가장 잘 실행됩니다. 추론 시간은 학습 세트 크기와 무관하게 동일합니다.

<figure><img src="https://2225311784-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>정상 달걀로 학습한 FoundAD 모델은 깨끗한 달걀은 통과시키고 금이 간 달걀과 얼룩진 달걀을 표시합니다. 히트맵은 각 이미지가 이상 임계값을 넘는 위치를 가장자리의 초록색부터 가장 강한 지점의 빨간색까지 표시합니다.</p></figcaption></figure>

사용해 보세요 [PatchCore](https://docs.roboflow.com/models/ko/supported-models/patchcore.md) CPU에서 빠른 점수가 필요하고 224×224 이미지로 결함이 드러난다면 PatchCore를 사용해 보세요. FoundAD가 더 정확하며, 특히 정상 이미지가 몇 장뿐일 때 더욱 그렇습니다. 두 모델을 [이상 탐지 모델 선택](https://docs.roboflow.com/models/ko/supported-tasks/anomaly-detection.md#choosing-an-anomaly-detection-model) 비교하려면.

## FoundAD 학습

{% stepper %}
{% step %}

### 정상 및 이상 이미지 레이블링

이상 탐지 생성 [프로젝트](https://docs.roboflow.com/datasets/create-and-upload/create-a-project), 이미지를 업로드하고 각각을 "normal" 또는 "anomalous"로 레이블링하세요. 대부분의 이미지는 정상이어야 합니다. 모델은 정상 이미지만으로 학습합니다. 이상 이미지는 판정 임계값을 정하고 정확도를 측정하므로, 검증 및 테스트 분할에만 들어갑니다.
{% endstep %}

{% step %}

### 버전 생성

자동 방향 보정과 "Stretch to" 크기 조정 전처리 단계만 사용하고, 증강은 사용하지 마세요. 이미지 크기는 정사각형이어야 하며, 32\~1024픽셀 범위이고 16으로 나누어떨어져야 합니다. FoundAD의 기본값은 512×512입니다.
{% endstep %}

{% step %}

### 학습 시작

[모델 학습](https://docs.roboflow.com/models/ko/train/train-a-model.md) 그리고 FoundAD를 선택하세요. 학습은 PatchCore보다 오래 걸리며, 큰 데이터셋에서는 몇 시간까지 걸릴 수 있습니다. 학습이 끝나면 Roboflow는 학습 중 저장한 임계값을 사용해 테스트 세트의 정밀도, 재현율, F1을 보고합니다.
{% endstep %}
{% endstepper %}

## FoundAD API

{% stepper %}
{% step %}

### API 키 받기

키는 다음에서 찾을 수 있습니다 [Roboflow API 설정 페이지](https://app.roboflow.com/settings/api) 그리고 셸에서 사용할 수 있게 만드세요:

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

{% endstep %}

{% step %}

### 의존성 설치

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

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

{% endstep %}

{% step %}

### 모델 실행

학습한 모델을 ID로 호출하세요( [버전, 학습, 및 모델](https://docs.roboflow.com/models/ko/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"을 모델 ID로 바꾸세요.
result = client.infer("my-image.jpg", model_id="your-project/1")

print(result["top"])  # "normal" 또는 "anomalous"
print(result["anomaly_score"], result["anomaly_threshold"])
heatmap = result["anomaly_map"]  # NumPy 배열, 값이 클수록 더 이상입니다
```

{% endstep %}
{% endstepper %}

응답에는 다음 필드가 있습니다:

* `top`: 판정, "normal" 또는 "anomalous".
* `anomaly_score`: 원시 점수입니다. 값이 클수록 더 이상적입니다. 점수에는 고정된 범위가 없습니다.
* `anomaly_threshold`: 이미지가 이상으로 간주되는 점수로, 학습 중 저장됩니다.
* `confidence` 및 `predictions`: 판정과 각 클래스의 신뢰도입니다. "anomalous" 신뢰도는 점수와 함께 증가하며 임계값에서 정확히 0.5이므로, 결함 확률은 아닙니다.
* `anomaly_map`: 히트맵이며, `include_anomaly_map=True`를 설정했을 때만 반환됩니다. 모델 입력 크기의 정사각형 배열이므로, 이미지의 너비와 높이에 맞게 늘려서 겹쳐 표시하세요.

{% hint style="info" %}
다음을 `api_url` 배포 대상에 맞게 설정하세요:

* `https://serverless.roboflow.com` Serverless Cloud API용입니다.
* `http://localhost:9001` 로컬 [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 서버용이며, 1.7.4 이상 버전이어야 합니다.
* 귀하의 [전용 배포](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) 비공개 엔드포인트의 URL입니다.
  {% endhint %}

## 워크플로에서 FoundAD 사용

다음 [이상 탐지 모델](https://docs.roboflow.com/workflows/blocks/blocks/run-a-model/anomaly-detection-model) 블록을 [워크플로](https://docs.roboflow.com/workflows) 에 추가해 이미지 점수를 매긴 다음, 그 `anomaly_map` 출력을 [이상 히트맵 시각화](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) 블록에 연결해 히트맵을 그리세요. 자체 호스팅 워크플로는 이 블록들을 사용하려면 Inference 1.8.2 이상이 필요합니다. 블록의 `confidence` 값을 낮추면 재학습 없이 놓친 결함과 오경보를 맞바꾸어 더 많은 이미지를 이상으로 표시할 수 있습니다.

## 라이선스

FoundAD는 다음을 따릅니다 [ymxlzgy/FoundAD](https://github.com/ymxlzgy/FoundAD) 그리고 MIT 라이선스로 배포됩니다. DINOv3 인코더 가중치는 다음의 적용을 받습니다 [DINOv3 라이선스](https://github.com/facebookresearch/dinov3?tab=License-1-ov-file). 참조하세요 [모델 라이선스](https://docs.roboflow.com/models/ko/model-licenses.md#other-models).
