> 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/workflows/ja/burokku/blocks/run-a-model/anomaly-detection-model.md).

# 異常検知モデル

通常画像のモデルに照らして画像を採点し、何が異なるかを特定します。

Roboflowでホストされている異常検知プロジェクトで学習済みの異常検知モデル（PatchCoreまたはFoundAD）を実行します。

異常モデルは、何が *正常* かを正常画像のみから学習し、新しい画像がそれからどれだけ外れているかでスコアを付けます。このブロックは以下を報告します:

* `predictions`：分類スタイルの応答で、 `上位` が `正常` または `異常` と2つのクラス信頼度です。異常の信頼度は `sigmoid((anomaly_score - anomaly_threshold) / scale)`で、スケールはモデルと一緒に保存されるため、しきい値ではちょうど0.5になります。
* `anomaly_score`：生の画像スコア（上限なし。大きいほど異常度が高い）。
* `anomaly_threshold`：この画像に適用されているしきい値（モデルに保存されたもの、または上書き値）。
* `is_anomalous`：異常の信頼度が到達したかどうか `confidence`.
* `anomaly_decision_threshold`：異常の信頼度が等しくなる生のスコア `confidence` (`anomaly_threshold` それ自体が0.5になる）。ヒートマップの `anomaly_threshold` その立ち上がりの中央が判定を示すようにします。
* `anomaly_map`：ローカルな異常の根拠をfloat32として `(高さ、幅)` ネットワークの入力解像度（正方形）における配列で、同じ単位で `anomaly_score`。マップはネットワークが見た画像全体をカバーするので、画像サイズに伸縮すれば重ねて表示できます。これを **異常ヒートマップの可視化** ブロックに接続して描画します。設定してください `include_anomaly_map` を `False` 、判定だけが必要なときにマップを省略するために使います。

`confidence` 再学習なしで動作点を設定します。デフォルトの0.5は学習時に較正された判定を再現します。より多くの欠陥を検出したいなら下げて誤報が増えるのを受け入れ、逆にしたいなら上げてください。 `anomaly_threshold` 生スコアに対する保存済みのしきい値を置き換えます。するとクラスの信頼度はそれに対して再計算され、 `confidence` 同じようにそれらに適用されます。

このブロックを使用するには、Inference環境でRoboflow APIキーを設定する必要があります。Roboflow APIキーの設定について詳しく知るには、 [Inferenceドキュメントを参照してください](https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key).

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/anomaly_detection_model@v1` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                           | **型**   | **説明**                                                                               | 参照 |
| -------------------------------- | ------- | ------------------------------------------------------------------------------------ | -- |
| `name`                           | `str`   | このステップの一意の識別子を入力してください。                                                              | ❌  |
| `model_id`                       | `str`   | Roboflowモデル識別子。。                                                                     | ✅  |
| `include_anomaly_map`            | `bool`  | ネットワーク入力解像度でローカル異常マップを返します。判定とスコアだけが必要な場合は無効にしてください。。                                | ✅  |
| `confidence`                     | `float` | 異常判定のための最小異常信頼度。0.5は学習時に較正された判定を再現します。より多くの画像を異常としてフラグ付けしたい場合は下げてください。。              | ✅  |
| `anomaly_threshold`              | `float` | 生の異常スコアに対するしきい値で、モデルに保存されたものを置き換えます。異常信頼度はそれに対して再計算されます。保存済みのしきい値を使うには空欄のままにしてください。。 | ✅  |
| `disable_active_learning`        | `bool`  | このブロックのプロジェクトレベルのアクティブラーニングを無効にするブールフラグ。。                                            | ✅  |
| `active_learning_target_dataset` | `str`   | 有効な場合のアクティブラーニング用ターゲットデータセット。。                                                       | ✅  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `異常検知モデル` バージョン `v1` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `images` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)) : 推論対象の画像。
  * `model_id` ([*`roboflow_model_id`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)）：Roboflowモデル識別子。。
  * `include_anomaly_map` ([*`boolean`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)）：ネットワーク入力解像度でローカル異常マップを返します。判定とスコアだけが必要な場合は無効にしてください。。
  * `confidence` ([*`0から1の浮動小数`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)）：異常判定のための最小異常信頼度。0.5は学習時に較正された判定を再現します。より多くの画像を異常としてフラグ付けしたい場合は下げてください。。
  * `anomaly_threshold` ([*`float`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)）：生の異常スコアに対するしきい値で、モデルに保存されたものを置き換えます。異常信頼度はそれに対して再計算されます。保存済みのしきい値を使うには空欄のままにしてください。。
  * `disable_active_learning` ([*`boolean`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)）：このブロックのプロジェクトレベルのアクティブラーニングを無効にするブールフラグ。。
  * `active_learning_target_dataset` ([*`roboflow_project`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-project.md)）：有効な場合のアクティブラーニング用ターゲットデータセット。。
* output
  * `predictions` ([`classification_prediction`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/classification-prediction.md)）：分類器からの予測。
  * `anomaly_score` ([`float`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): 浮動小数点値。
  * `anomaly_threshold` ([`float`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): 浮動小数点値。
  * `anomaly_decision_threshold` ([`float`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): 浮動小数点値。
  * `is_anomalous` ([`boolean`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)): ブールフラグ。
  * `anomaly_map` ([`numpy_array`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/numpy-array.md)）：Numpy配列。
  * `inference_id` ([`inference_id`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/inference-id.md)) : 推論識別子。
  * `model_id` ([`roboflow_model_id`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)）：RoboflowモデルID。

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/anomaly_detection_model@v1",
	    "images": "$inputs.image",
	    "model_id": "my_project/3",
	    "include_anomaly_map": true,
	    "confidence": 0.5,
	    "anomaly_threshold": 1.25,
	    "disable_active_learning": true,
	    "active_learning_target_dataset": "my_project"
	}
```

</details>
