Anomalib — OnePageDaily

VISUAL ANOMALY DETECTION

컨베이어 위 결함을
실험에서 배포까지

이미지·비디오 이상 감지를 위한 딥러닝 파이프라인

카메라가 제품을 찍는 순간, 필요한 것은 단순한 분류기가 아닙니다. Anomalib은 visual anomaly detection 모델을 비교하고 학습하고 배포하는 과정을 하나의 실험-운영 체인으로 묶습니다.

핵심 CLI: train · predict · hpo · benchmark

2.6+

PyTorch 기반 모델 개발 환경

2.2+

Lightning으로 줄인 학습 boilerplate

OpenVINO export로 Intel 추론 연결

▼ SCROLL

불량 한 장을 운영 신호로 바꾸는 6개의 연결고리

운영의 첫 장면

카메라가 본 흠집을 모델이 위치로 말하게 한다

이미지와 비디오 속 결함 감지·위치화에 초점
정상/비정상 판정에서 heatmap 기반 해석으로 확장
연구용 모델을 품질검사 흐름에 맞춰 비교

개발 흐름

API와 CLI가 같은 파이프라인을 바라본다

CLI는 train, predict, hpo, benchmark로 반복 실험을 단축
Python API는 MVTecAD + PatchCore + Engine처럼 조합 가능
노트북 실험과 자동화 스크립트 사이의 간극을 줄임

모델 구현

PyTorch와 Lightning 위에서 boilerplate를 덜어낸다

PyTorch 2.6+와 Lightning 2.2+ 기반
데이터·모델·엔진 구성을 분리해 실험 교체가 쉬움
새 알고리즘을 붙일 때 반복 코드를 줄이는 구조

배포 감각

OpenVINO IR export로 현장 추론까지 생각한다

대부분 모델을 OpenVINO IR로 내보낼 수 있음
Intel 하드웨어 accelerated inference를 겨냥
엣지 장비에서 속도와 운영 비용을 함께 검토 가능

실험 관리

결과가 흩어지지 않게 logger와 HPO를 연결한다

wandb, comet, tensorboard logger 지원
HPO는 wandb와 comet backend로 운영 가능
threshold와 metric 비교를 반복 가능한 기록으로 남김

로우코드 입구

Anomalib Studio beta는 카메라와 폴더를 바로 실험실로 가져온다

USB/IP 카메라 또는 폴더 이미지 입력 지원
학습과 배포 파이프라인을 웹 앱에서 연결
코드를 줄이되, 현장 조건 검증은 여전히 필요

실험 노트북과 생산 라인 사이에서 달라지는 질문

운영 질문	실험 단계의 답	배포 단계의 답
처음 실험을 시작할 때	Python API로 데이터셋·모델·Engine을 조합	CLI train으로 같은 흐름을 자동화
모델을 비교할 때	benchmark로 후보 알고리즘을 한 번에 점검	최근 추가 모델: L2BT, GeneralAD, PatchFlow, AnomalyDINO
threshold를 잡을 때	adaptive F1 같은 지표 계산을 실험 로그와 함께 확인	v2.4.1에서 DDP adaptive F1 score computation 수정
현장 추론을 준비할 때	OpenVINO IR export로 Intel 장비 가속을 검토	설치 extra는 cpu/cuda/rocm/xpu/openvino 등으로 분리
운영 입력을 붙일 때	Anomalib Studio beta로 카메라·폴더 입력을 연결	데이터 품질과 조명·각도·라인 속도 검증은 별도 과제

Anomalib을 볼 때 확인할 체크포인트

🧩

PCB 미세 결함

작은 스크래치와 누락 패턴 위치화

🏭

컨베이어 품질검사

카메라 프레임 기반 이상 감지

🧵

섬유·표면 검사

반복 패턴 속 얼룩과 찢김 탐지

📦

포장 상태 확인

라벨 오염·인쇄 불량·파손 감지

🎥

비디오 검사

프레임 단위 이상 위치 추적

🧪

모델 벤치마크

PatchCore 등 후보 알고리즘 비교

컨베이어 위 부품이 카메라 앞을 지나가는 순간, 현장은 단순한 ‘불량 여부’보다 더 구체적인 답을 원합니다. 어디가 이상한지, 얼마나 심각한지, 지금 라인을 멈춰야 하는지까지 판단해야 합니다.

Anomalib은 바로 이 visual anomaly detection 문제를 위해 만들어진 라이브러리입니다. 이미지와 비디오 안의 결함을 감지하고 위치화하는 딥러닝 알고리즘을 benchmark, development, deployment 흐름으로 연결합니다.

사용 방식은 연구자와 엔지니어 양쪽을 모두 겨냥합니다. Python API에서는 MVTecAD 데이터셋, PatchCore 모델, Engine을 조합해 실험할 수 있고, CLI에서는 anomalib train, predict, hpo, benchmark로 반복 작업을 자동화할 수 있습니다.

기반은 PyTorch 2.6+와 Lightning 2.2+입니다. 모델 구현에 필요한 boilerplate를 줄이고, 실험 관리에는 wandb, comet, tensorboard logger를 붙이며, HPO는 wandb와 comet backend로 다룰 수 있습니다.

배포 쪽에서는 OpenVINO IR export가 중요한 힌트입니다. 대부분의 모델을 IR로 내보낼 수 있어 Intel 하드웨어에서 accelerated inference를 노리는 엣지 검사 시나리오와 잘 맞습니다.

최근 릴리스도 현장성을 보여줍니다. v2.4.1은 DDP adaptive F1 score computation과 보안 의존성을 손봤고, v2.4.0은 L2BT, GeneralAD, PatchFlow를 추가했으며, v2.3.x에서는 AnomalyDINO, Kaput dataset, MEBin postprocess, PatchCore GPU memory 병목 수정이 이어졌습니다.

다만 Anomalib은 생산 라인에 붙이면 끝나는 magic button이 아닙니다. 데이터셋, 하드웨어, 평가지표, threshold, 카메라 입력을 맞추는 실험-배포 체인이며, Intel XPU 훈련은 현재 single GPU만 지원된다는 제약도 확인해야 합니다.

결함 감지는 모델보다
운영 체인이 먼저다

Anomalib은 visual anomaly detection을 노트북 데모에서 끝내지 않고, benchmark와 HPO, export, Studio까지 이어지는 흐름으로 정리합니다. 현장 조건을 맞출 준비가 되어 있다면, 실험을 배포 언어로 번역하는 꽤 현실적인 도구입니다.

원문 보기 · GitHub

컨베이어 위 결함을실험에서 배포까지

불량 한 장을 운영 신호로 바꾸는 6개의 연결고리

실험 노트북과 생산 라인 사이에서 달라지는 질문

Anomalib을 볼 때 확인할 체크포인트

결함 감지는 모델보다운영 체인이 먼저다

컨베이어 위 결함을
실험에서 배포까지

결함 감지는 모델보다
운영 체인이 먼저다

Anomalib: 결함 감지는 모델보다 운영 체인이다

Reference Links

Comments (0)