异常检测patchcore源码复现_patchcore代码讲解

code：patchcore-inspection/images at main · amazon-science/patchcore-inspection (github.com)

论文：[2106.08265] Towards Total Recall in Industrial Anomaly Detection (arxiv.org)

介绍

patchcore，基于内存库的异常检测方法，其使用了一个具有最大代表性的标称斑块特征记忆库。PatchCore 的推理时间很快，同时在检测和定位方面都达到了极高的性能。本文通过使用矩阵云复现patchcore的代码。

环境准备

进入矩阵云，首先先租借一个服务器，我这里使用了矩池云的服务器，注册可以免费用5个小时。矩阵云的服务器自带CUDA CUDNN pytourch等，因此不需要再自行安装，很方便。

显卡要求不用很高，因此选择A16（最便宜的），环境这里我的镜像选择为Pytorch 2.1.1 预装：Ubuntu20.04, Python 3.10, Pytorch 2.1.1, CUDA 11.8, cuDNN 8, NVCC

登录服务器可以使用JupyterLab查看服务器的文件结构等，也可以修改代码，我这里使用XSHELL登录服务器。

成功进入服务器。

之后使用git将patchcore源码下载到服务器，并将MvTecAD数据集传输至服务器，这里给一份数据集的链接： 百度网盘 提取码: tp22

进入patchcore目录，并运行指令安装所需库

cd patchcore-inspection
pip3 install -r requirements.txt

至此环境准备完成。

训练模型

这里给出训练bottle类的模型指令，其他指令都类似，只需要调整即可，同时需要先确保使用的gpu序号，patchcore配置等等，具体可以看github上的说明：

python /root/patchcore-inspection/bin/run_patchcore.py --gpu 0 --seed 0 --save_patchcore_model --log_group IM224_WR50_L2-3_P01_D1024-1024_PS-3_AN-1_S0 --log_project MVTecAD_Results /root/model patch_core -b wideresnet50 -le layer2 -le layer3 --pretrain_embed_dimension 1024 --target_embed_dimension 1024 --anomaly_scorer_num_nn 1 --patchsize 3 sampler -p 0.1 approx_greedy_coreset dataset --resize 256 --imagesize 224 --subdatasets "bottle" mvtec /root/mvtec

指令说明：

指定GPU和种子：使用--gpu 0和--seed 0。

模型保存：通过--save_patchcore_model指定在训练结束后保存模型。

日志组和项目：通过--log_group和--log_project指定日志相关的参数。

结果路径：指定训练结果和模型应该保存在/root/model路径下。

PatchCore配置：指定使用wideresnet50作为骨干网络，并且从layer2和layer3提取特征。还包括预训练嵌入维度、目标嵌入维度、异常评分器的最近邻数和patch大小等参数。

采样器：使用-p 0.1指定采样比例为10%的近似贪婪核心集采样器。

数据集和子数据集：通过--resize和--imagesize指定图像处理的大小，--subdatasets "bottle"来指定只训练bottle这一子数据集。

数据集路径：确保将/root/mvtec替换成你实际存放MVTec AD数据集的路径。

一定要确保数据集路径和结果路径正确

由于外网下载wideresnet50很慢，这里可以直接根据终端给的链接下载并保存至其对于文件夹，就不用龟速下载了。

注意这里运行时可能会提示ModuleNotFoundError: No module named 'patchcore'，但实际上是有的，只是环境路径设置错误，使用export PYTHONPATH=src后再运行即可。

成功运行，以pill类为例（这里bottle忘了截图，实际上bottle准确率应该更高），这里可以看到准确率很高。

前往指令中指定的存储位置可以查看保存的模型。

测试并分析模型

同样，给出bottle模型的测试指令：

python bin/load_and_evaluate_patchcore.py --gpu 0 --seed 0 "/root/evaluateAnswer" patch_core_loader -p "/root/model/MVTecAD_Results/IM224_WR50_L2-3_P01_D1024-1024_PS-3_AN-1_S0/models/mvtec_bottle/" dataset --resize 256 --imagesize 224 -d "bottle" mvtec "/root/mvtec"

这里说一下几个路径的设置：

"/root/evaluateAnswer/bottle"替换为你保存测试结果的路径

"/root/model/MVTecAD_Results/IM224_WR50_L2-3_P01_D1024-1024_PS-3_AN-1_S0/models/mvtec_bottle/"：换成你之前训练的模型的路径

"/root/mvtec"替换为你的数据集的路径

同时如果你想保存测试图像的话，加上--save_segmentation_images ：

python bin/load_and_evaluate_patchcore.py --gpu 0 --seed 0 --save_segmentation_images "/root/evaluateAnswer/bottle" patch_core_loader -p "/root/model/MVTecAD_Results/IM224_WR50_L2-3_P01_D1024-1024_PS-3_AN-1_S0/models/mvtec_bottle/" dataset --resize 256 --imagesize 224 -d "bottle" mvtec "/root/mvtec"

这里可能会存在问题，当运行时可能会提示'MVTecDataset' object has no attribute 'transform_std'，可以参考issue80，这里提供了很好的解决方法。

我通过这个方法解决的：

之后成功运行：

并在保存结果的位置可以看到可视化结果：

总结

复现过程比较顺利，没遇到太大的问题，如果过程中遇到什么问题，大概率github上会有解决方法。