AnomalyDINO 开源项目最佳实践教程

1. 项目介绍

AnomalyDINO 是一个基于 DINOv2 的 patch-based few-shot 异常检测开源项目。该项目旨在提高在少量样本情况下的异常检测准确性，适用于图像异常检测领域。AnomalyDINO 在 WACV 2025 会议上的论文中被提出，并提供了相应的代码实现，使得研究人员和开发者可以方便地使用和改进。

2. 项目快速启动

环境准备

首先，您需要创建一个虚拟环境，并激活它：

python -m venv .venvAnomalyDINO
source .venvAnomalyDINO/bin/activate

接着，安装项目所需的依赖：

pip install -r requirements.txt

注意：如果您想使用带有 GPU 加速的 faiss，建议使用 conda 环境进行安装。

数据准备

下载并准备以下数据集：

• MVTec-AD：从官方网站下载，并按照默认数据根目录 data/mvtec_anomaly_detection 组织数据。
• VisA：从官方网站下载，按照官方存储库的说明组织数据，并放在 data/VisA_pytorch/1cls/ 目录下。

运行示例

运行以下命令以启动一个简单的异常检测示例：

python demo_AnomalyDINO.ipynb

完整评估

要执行完整的评估，请运行以下脚本：

python run_anomalydino.py --dataset MVTec --shots 1 2 4 8 16 --num_seeds 3 --preprocess agnostic --data_root data/mvtec_anomaly_detection
python run_anomalydino.py --dataset VisA --shots 1 2 4 8 16 --num_seeds 3 --preprocess agnostic --data_root data/VisA_pytorch/1cls/

上述命令将在选择的数据集上执行 few-shot 异常检测，并根据指定的样本数和重复次数（种子数）进行评估。

3. 应用案例和最佳实践

数据预处理

在 src/utils.py 文件中，您可以指定数据预处理方法。默认设置为 "agnostic"，即在 PCA 基于遮罩效果良好时应用遮罩，并通过对参考样本进行旋转来增强数据。

性能评估

运行脚本时，可以激活分割评估选项：

python run_anomalydino.py --dataset MVTec --shots 1 --num_seeds 1 --preprocess informed --eval_segm --data_root data/mvtec_anomaly_detection

这将自动评估每次运行的结果，并将评估结果保存在相应的结果目录中。

4. 典型生态项目

AnomalyDINO 项目使用了以下开源项目和数据集：

• DINOv2：用于 patch-based 异常检测的视觉变换器基础模型。
• MVTec-AD 数据集：用于异常检测的图像数据集，遵循 CC BY-NC-SA 4.0 许可。
• VisA 数据集：用于异常检测的图像数据集，遵循 CC BY 4.0 许可。

在您的研究或项目中使用 AnomalyDINO 时，请考虑引用相关的论文，以支持开源社区的发展。