> 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/patchcore.md).

# PatchCore

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

PatchCore는 사진 없이도 결함을 찾아냅니다. 정상 이미지에서만 정상 부품이 어떻게 생겼는지 학습한 뒤, 그와 다른 이미지를 표시합니다. 정상 이미지에서 가져온 작은 이미지 패치의 특징(WideResNet50 백본에서 추출)을 저장하고, 가장 특이한 패치를 기준으로 새 이미지를 평가합니다. 각 예측은 "normal" 또는 "anomalous" 판정, 원시 이상 점수, 그리고 이미지가 어디서 다른지 보여 주는 히트맵을 반환합니다. 기본 224×224에서는 평가가 가벼워서 PatchCore는 CPU에서도 잘 실행됩니다.

<figure><img src="https://2225311784-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>정상 달걀로 학습한 PatchCore 모델은 깨끗한 달걀은 통과시키고 금이 간 달걀과 얼룩진 달걀은 표시합니다. 히트맵은 각 이미지가 이상 임계값을 넘는 위치를 표시하며, 가장자리의 초록색에서 가장 강한 지점의 빨간색으로 이어집니다.</p></figcaption></figure>

사용해 보세요 [FoundAD](https://docs.roboflow.com/models/ko/supported-models/foundad.md) PatchCore가 미세한 결함을 놓치거나 정상 이미지가 몇 장뿐이라면 사용하세요. 더 큰 DINOv3 인코더를 사용하며 GPU에서 가장 잘 실행됩니다. 다음을 참조하세요. [이상 탐지 모델 선택하기](https://docs.roboflow.com/models/ko/supported-tasks/anomaly-detection.md#choosing-an-anomaly-detection-model) 두 모델을 비교해 보세요.

## PatchCore 학습

{% stepper %}
{% step %}

### 정상 및 이상 이미지에 라벨 지정

이상 탐지 생성 [프로젝트](https://docs.roboflow.com/datasets/create-and-upload/create-a-project), 이미지를 업로드하고 각 이미지에 "정상" 또는 "이상" 라벨을 지정하세요. 대부분의 이미지는 정상이어야 합니다. 모델은 정상 이미지로만 학습합니다. 이상 이미지는 결정 임계값을 설정하고 정확도를 측정하므로, 유효성 검사 및 테스트 분할에만 들어갑니다.
{% endstep %}

{% step %}

### 버전 생성

자동 회전과 "Stretch to" 크기 조정 전처리 단계만 사용하고, 증강은 사용하지 마세요. 이미지 크기는 32\~1024픽셀의 정사각형이어야 합니다. PatchCore의 기본값은 224×224입니다.

{% hint style="info" %}
결함이 그 크기에서 보이지 않을 정도로 너무 작지 않다면 224×224를 유지하세요. 더 큰 이미지는 PatchCore를 훨씬 느리게 만듭니다(추론 속도 참고 [추론 속도](#inference-speed)).
{% endhint %}
{% endstep %}

{% step %}

### 학습 시작

[모델 학습](https://docs.roboflow.com/models/ko/train/train-a-model.md) 을 선택하세요. 학습이 끝나면 Roboflow는 학습 중 저장한 임계값을 사용해 테스트 세트에서 정밀도, 재현율, F1을 보고합니다.
{% endstep %}
{% endstepper %}

## 추론 속도

PatchCore는 이미지의 각 패치를 정상 학습 이미지의 패치 메모리 뱅크와 비교합니다. 학습 이미지가 많을수록 메모리 뱅크도 커집니다. 이미지 크기가 커지면 패치 수와 메모리 뱅크가 모두 커지므로, 이미지 크기가 가장 중요합니다. 학습 이미지가 수백 장 이상이고 이미지 크기가 큰 경우, [FoundAD](https://docs.roboflow.com/models/ko/supported-models/foundad.md) 가 더 빠를 수 있습니다.

<figure><img src="https://2225311784-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>메모리 뱅크는 전체 학습 패치의 10%입니다. 점선은 512×512에서의 FoundAD이며, 학습 세트 크기가 달라도 동일하게 유지됩니다.</p></figcaption></figure>

{% hint style="info" %}
이 차트는 Roboflow Inference 1.8의 Apple M4 Max CPU에서 측정한 한 가지 벤치마크를 보여줍니다. 학습 시 생성되는 크기의 메모리 뱅크를 사용해 PatchCore 백본과 메모리 뱅크 검색 시간을 측정했습니다. 하드웨어에 따라 시간은 다르지만, 추세는 동일합니다.
{% endhint %}

## PatchCore API

{% stepper %}
{% step %}

### API 키 받기

키를 다음에서 찾으세요: [Roboflow API 설정 페이지](https://app.roboflow.com/settings/api) 그리고 셸에서 사용할 수 있도록 설정하세요:

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

{% endstep %}

{% step %}

### 의존성 설치

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

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

{% endstep %}

{% step %}

### 모델 실행

학습한 모델을 해당 ID로 호출하세요(다음을 참조 [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"를 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 배열이며, 값이 클수록 더 비정상적입니다.
```

{% endstep %}
{% endstepper %}

응답에는 다음 필드가 있습니다:

* `top`: 판정 결과로, "normal" 또는 "anomalous"입니다.
* `anomaly_score`: 원시 점수입니다. 값이 클수록 더 비정상적입니다. 점수의 고정 범위는 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`: 히트맵으로, 다음을 설정했을 때만 반환됩니다 `include_anomaly_map=True`. 모델 입력 크기의 정사각형 배열이므로, 이미지의 너비와 높이에 맞게 늘려 겹쳐 표시하세요.

{% hint style="info" %}
설정 `api_url` 를 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) 서버, 버전 1.7.4 이상용입니다.
* 귀하의 [전용 배포](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) 비공개 엔드포인트용 URL입니다.
  {% endhint %}

## 워크플로에서 PatchCore 사용

다음을 추가하세요 [이상 탐지 모델](https://docs.roboflow.com/workflows/blocks/blocks/run-a-model/anomaly-detection-model) 블록을 [워크플로](https://docs.roboflow.com/workflows) 에 추가하여 이미지 점수를 매기고, 그런 다음 해당 `anomaly_map` 출력을 다음에 연결하세요 [이상 히트맵 시각화](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) 블록을 사용해 히트맵을 그리세요. 이러한 블록을 사용하려면 자체 호스팅 워크플로에 Inference 1.8.2 이상이 필요합니다. 블록의 `confidence` 재학습 없이 놓친 결함과 오탐지 사이의 균형을 조절하려면 값을 낮추세요. 그러면 더 많은 이미지를 이상으로 표시합니다.

## 라이선스

PatchCore는 다음을 따릅니다 [amazon-science/patchcore-inspection](https://github.com/amazon-science/patchcore-inspection) 이며 Apache 2.0 라이선스에 따라 제공됩니다. 다음을 참조하세요 [모델 라이선스](https://docs.roboflow.com/models/ko/model-licenses.md).
