PaddleSeg中SFTPM图像异常分割算法技术解析

算法原理概述

SFTPM(Self-supervised Feature Pyramid Matching)是一种基于自监督学习的图像异常检测与分割算法，主要应用于工业质检领域。该算法的核心思想是通过在正常样本上训练一个特征金字塔匹配网络，学习正常样本的特征分布，从而在推理时能够检测出与正常特征分布不符的异常区域。

与传统监督学习方法不同，SFTPM只需要正常样本进行训练，不需要异常样本标注，这在实际工业场景中具有显著优势，因为异常样本往往难以收集且标注成本高。

训练数据准备

SFTPM的训练数据准备有其特殊性：

1. 训练集只需包含正常样本图像
2. 标签文件(train.txt)中每行只需包含图像路径，不需要标注掩模路径
3. 验证集可以少量设置，主要满足框架运行需要

典型的数据目录结构如下：

dataset_root/
├── train/
│   ├── image1.jpg
│   ├── image2.jpg
│   └── ...
└── train.txt

其中train.txt内容示例：

train/image1.jpg
train/image2.jpg
...

模型训练要点

在PaddleSeg框架下训练SFTPM模型时，需要注意以下关键点：

1. 配置文件中num_classes应设置为1
2. 训练过程中会保存多个检查点，最终模型权重保存在iter_{max_iters}文件中
3. 验证集不是必须的，可以仅用于满足框架运行需要
4. 训练轮数(iterations)需要根据实际情况调整

模型部署与推理

SFTPM模型支持多种部署方式，但在导出和推理时需要注意：

1. Paddle原生推理：使用tools/predict.py可直接获得正常的分割结果
2. ONNX导出：
   • 通过tools/export.py导出PD模型，再用paddle2onnx转换时可能出现输出为整型的问题
   • 直接使用tools/model/export_onnx.py导出可获得浮点输出，但结果可能接近原图重构
3. C++部署：基于PaddleX的服务化部署方案支持C++推理

常见问题解决方案

1. 环境安装问题：出现"cannot import name 'setup_logger'"错误时，确保正确执行了python setup.py install或python -m pip install -v -e .

2. 多分类训练：SFTPM设计为单分类异常检测，如需多分类需要修改网络结构或采用其他算法

3. ONNX推理异常：确保推理时的图像预处理(如缩放比例)与训练时完全一致

实际应用建议

1. 对于工业质检场景，建议先在小样本上验证算法效果
2. 训练数据应尽可能覆盖正常样本的所有变化情况
3. 推理时注意调整异常分数阈值，平衡检出率与误检率
4. 考虑结合其他异常检测算法(如EfficientAD)进行结果融合

SFTPM算法在PaddleSeg中的实现为工业异常检测提供了高效解决方案，通过合理配置和优化，可以在实际生产中发挥重要作用。