WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation 技术文档

项目简介

WinCLIP 是一个用于零样本和少样本异常分类与分割的非官方实现。该项目基于 CVPR 2023 的论文 "WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation"。WinCLIP 通过结合视觉语言模型 CLIP 和窗口化技术，实现了在工业质量检测中的高效异常检测。

安装指南

环境要求

• Python 3.7
• PyTorch 1.10
• 其他依赖项请参考 install.sh 文件

安装步骤

1. 克隆项目仓库

   git clone https://github.com/your-repo/WinCLIP.git
   cd WinCLIP
   

2. 安装依赖项

   sh install.sh
   

3. 下载数据集

   • MVTec-AD 数据集: 请参考 MVTec 官方网站 的下载说明。
   • VisA 数据集: 请参考 Papers With Code 的下载说明。

项目使用说明

运行项目

执行以下命令以运行 WinCLIP 实现：

python run_winclip.py

结果展示

项目运行后，将在终端中显示 MVTec-AD 和 VisA 数据集上的检测结果。结果包括图像级别的 AUROC (i-auroc) 和像素级别的 AUROC (p-auroc)，以及最大 F1 分数 (i-max-f1 和 p-max-f1)。

项目 API 使用文档

主要 API

• run_winclip.py: 主程序入口，负责加载数据集、模型并执行异常检测。
• model.py: 包含 WinCLIP 模型的定义和实现。
• utils.py: 包含数据预处理、结果评估等辅助函数。

使用示例

from model import WinCLIPModel
from utils import load_dataset, evaluate

# 加载数据集
dataset = load_dataset('path/to/dataset')

# 初始化模型
model = WinCLIPModel()

# 运行模型
results = model.run(dataset)

# 评估结果
evaluate(results)

项目安装方式

项目通过 install.sh 脚本自动安装所需的 Python 依赖项。用户只需在项目根目录下执行以下命令即可完成安装：

sh install.sh

参考文献

• WinCLIP 论文: CVPR 2023 论文链接
• 相关研究: Segment Any Anomaly without Training via Hybrid Prompt Regularization

致谢

本项目借鉴了 OpenCLIP 和 CDO 的部分代码，感谢他们的杰出贡献！

---

通过以上文档，用户可以快速了解并使用 WinCLIP 项目进行零样本和少样本的异常分类与分割。希望本技术文档能帮助您更好地理解和应用该项目。