> 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-tasks/anomaly-detection.md).

# 이상 탐지

정상 이미지로 학습해 사진이 거의 없거나 전혀 없는 결함을 탐지하고, Roboflow에 직접 만든 이상 탐지 모델을 배포하세요.

## 이상 탐지란 무엇인가요?

이상 탐지는 정상 이미지만을 사용해 정상 이미지의 모습을 학습한 다음, 그와 다른 이미지를 탐지합니다. 모델은 각 이미지에 대해 "normal" 또는 "anomalous" 판정, 이상 점수, 이미지에서 다른 부분을 표시하는 히트맵을 반환합니다. 모든 결함의 사진이 필요하지 않으므로 결함이 드물거나 유형이 매우 다양한 문제에 적합합니다.

<figure><img src="https://2225311784-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>

다음 동영상에서는 세 가지 프로젝트 예시와 이상 탐지 프로젝트 설정 방법, PatchCore와 FoundAD의 비교 결과를 보여줍니다.

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

## 지원되는 이상 탐지 모델

Roboflow는 다음 이상 탐지 모델을 지원합니다. 모델별 내보내기 및 배포 지원 여부는  [이상 탐지 모델](https://docs.roboflow.com/models/ko/supported-models.md#anomaly-detection)  표를 참조하세요.

<table data-search="false"><thead><tr><th>모델</th><th>라이선스</th><th data-type="checkbox">Roboflow에서 학습 가능</th><th>최신 릴리스</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/models/ko/supported-models/patchcore.md">PatchCore</a></td><td><a href="https://docs.roboflow.com/models/ko/model-licenses.md">Apache 2.0</a> (상업적 용도로 무료 사용 가능)</td><td>true</td><td>2021</td></tr><tr><td><a href="https://docs.roboflow.com/models/ko/supported-models/foundad.md">FoundAD</a></td><td><a href="https://docs.roboflow.com/models/ko/model-licenses.md#other-models">원본 라이선스</a></td><td>true</td><td>2025</td></tr></tbody></table>

## 이상 탐지 모델 선택

FoundAD는 특히 정상 이미지가 몇 장밖에 없을 때 더 정확합니다. 정상 이미지가 많을수록 두 모델 모두 성능이 향상되며, 특히 PatchCore의 성능 향상 폭이 큽니다.

<figure><img src="https://2225311784-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>다음 데이터세트의 네 가지 카테고리에 대한 결과:  <a href="https://github.com/amazon-science/spot-diff">VisA 데이터세트</a> (CC BY 4.0).</p></figcaption></figure>

FoundAD는 학습 세트 크기에 관계없이 이미지당 처리 시간이 동일합니다. PatchCore는 정상 이미지를 추가하거나 이미지 크기를 늘리면 속도가 느려집니다( [PatchCore 추론 속도](https://docs.roboflow.com/models/ko/supported-models/patchcore.md#inference-speed) 참조). 어느 모델이 더 빠른지는 하드웨어와 설정에 따라 달라집니다.

<figure><img src="https://2225311784-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>모델별 요청 100건에 대한 평균 서버 실행 시간. 다음 명령으로 측정:  <code>inference benchmark api-speed</code> . Roboflow Inference 1.8에서 측정했으며, 두 Jetson 모두 공개 Jetson 6.2 이미지를 사용했습니다. PatchCore는 224×224, FoundAD는 512×512 크기로 측정했습니다.</p></figcaption></figure>

PatchCore는 몇 분 안에 학습됩니다. FoundAD는 더 오래 걸리며, 대규모 데이터세트에서는 최대 몇 시간까지 걸릴 수 있습니다.

{% hint style="info" %}
이 결과는 하나의 벤치마크에서 나온 것입니다. 두 모델을 VisA 데이터세트의 네 가지 카테고리에서 각각 기본 이미지 크기로 학습하고 테스트 분할에서 평가했습니다. 실제 데이터의 정확도와 속도는 이미지, 결함, 이미지 크기, 하드웨어에 따라 달라지므로 모델을 선택하기 전에 둘 다 테스트하세요.
{% endhint %}

## 이상 탐지 모델 미세 조정

이 작업의 데이터 분할 및 전처리 규칙은  [PatchCore](https://docs.roboflow.com/models/ko/supported-models/patchcore.md#train-patchcore) 와  [FoundAD](https://docs.roboflow.com/models/ko/supported-models/foundad.md#train-foundad)  페이지에서 확인할 수 있습니다.

{% stepper %}
{% step %}

### 이상 탐지 프로젝트 만들기

새  [프로젝트](https://docs.roboflow.com/datasets/create-and-upload/create-a-project) 를 만들고 프로젝트 유형으로 "이상 탐지"를 선택하세요.

<figure><img src="https://2225311784-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 %}

### 이미지 업로드 및 라벨 지정

[이미지를 업로드](https://docs.roboflow.com/datasets/create-and-upload/adding-data)한 다음,  [어노테이션 편집기](https://docs.roboflow.com/datasets/annotate/annotate/annotation-tools)에서 각 이미지에 "정상" 또는 "이상" 라벨을 지정하세요. 대부분의 이미지는 정상 이미지여야 합니다. 모델은 정상 이미지만으로 학습합니다. 이상 이미지는 판정 임계값을 설정하고 정확도를 측정하는 데 사용되므로 검증 및 테스트 분할에만 포함됩니다.

<figure><img src="https://2225311784-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 %}

### 데이터세트 버전 생성

[데이터세트 버전을 생성](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version) 할 때는 자동 방향 조정과 "늘리기" 크기 조정 전처리 단계만 사용하고, 증강은 적용하지 마세요.
{% endstep %}

{% step %}

### 이상 탐지 모델 학습

"학습"을 클릭하고 PatchCore 또는 FoundAD를 선택하세요. 다음을 참조하세요:  [모델 학습](https://docs.roboflow.com/models/ko/train/train-a-model.md) 각 옵션에 대해.

<figure><img src="https://2225311784-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 %}

## 이상 감지 모델 배포

학습 후 다음을 사용해 이상 감지 모델을 배포하세요: [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api),  [전용 배포](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments), 또는 다음을 사용해 자체 하드웨어에서: [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted). 옵션을 비교하려면 다음을 참고하세요: [배포 방식 선택](https://docs.roboflow.com/deployment/choosing-a-deployment) .
