Victory8858/PaDiM-Paddle

PaDiM-Paddle

1 简介

This is the unofficial code based on PaddlePaddle of paper:
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization

PaDiM是一种基于图像Patch的算法。它依赖于预先训练好的CNN功能提取器。 将图像分解为多个面片，并使用不同的特征提取层从每个面片中提取嵌入。 将不同层次的激活向量串联起来，得到包含不同语义层次和分辨率信息的嵌入向量。这有助于对细粒度和全局上下文进行编码。 然而，由于生成的嵌入向量可能携带冗余信息，因此使用随机选择来降低维数。 在整个训练批次中，为每个面片嵌入生成一个多元高斯分布。因此，对于训练图像集的每个面片，我们有不同的多元高斯分布。这些高斯分布表示为高斯参数矩阵。 在推理过程中，使用马氏距离对测试图像的每个面片位置进行评分。它使用训练期间为面片计算的协方差矩阵的逆矩阵。 马氏距离矩阵形成了异常图，分数越高表示异常区域。 本项目基于PaddlePaddle框架复现了STFPM，并在MvTec数据集上进行了实验。

论文：

• [1] Simonjan, Jennifer and Unluturk, Bige D. and Akyildiz, Ian F. PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization

项目参考：

• anomalib
• PaDiM-Anomaly-Detection-Localization-master

2 复现精度

在MvTec数据集的测试效果如下表。

Image-Level AUC

	Avg	Carpet	Grid	Leather	Tile	Wood	Bottle	Cable	Capsule	Hazelnut	Metal Nut	Pill	Screw	Toothbrush	Transistor	Zipper
anomalib	0.891	0.945	0.857	0.982	0.950	0.976	0.994	0.844	0.901	0.750	0.961	0.863	0.759	0.889	0.920	0.780
Paddle	0.922	0.998	0.915	1.000	0.941	0.984	0.999	0.854	0.854	0.848	0.978	0.881	0.777	1.000	0.952	0.862

Pixel-Level AUC

	Avg	Carpet	Grid	Leather	Tile	Wood	Bottle	Cable	Capsule	Hazelnut	Metal Nut	Pill	Screw	Toothbrush	Transistor	Zipper
anomalib	0.968	0.984	0.918	0.994	0.934	0.947	0.983	0.965	0.984	0.978	0.970	0.957	0.978	0.988	0.968	0.979
Paddle	0.961	0.989	0.941	0.988	0.889	0.929	0.978	0.951	0.982	0.973	0.955	0.942	0.974	0.985	0.965	0.979

image-level auc的Mean为0.922。

pixel-level auc的Mean为0.961, 误差0.007，在误差允许范围内。

训练日志：logs AIStudio预训练权重和日志：AIStudio预训练权重

3 数据集

数据集网站：MvTec数据集

AiStudio上的数据集：MVTec-AD

这里采用AiStudio上的数据集上的数据集，下载后用如下命令解压到自己指定的PATH/MVTec路径下：

tar xvf mvtec_anomaly_detection.tar.xz

4 环境依赖

• 硬件: Tesla V100 16G >= 1

• 框架:

  • PaddlePaddle >= 2.2.0

快速开始

第一步：克隆本项目

# clone this repo
git clone git@github.com:CuberrChen/PaDiM-Paddle.git
cd PaDiM-Paddle

第二步：训练模型

MVTec共有15个类别的子数据集，因此每个类别都需要单独训练一个模型； 在训练时，通过category参数来指定类别数据进行训练。data_path指定上述数据集路径PATH/MVTec 。 val表示是否在训练时开启指标计算。save_path指定模型保存路径，会在这个路径下生成category的目录。 seed表示随机数种子，这里根据给定参考项目取42.

开始训练： 以carpet为例：

python train.py --data_path=PATH/MVTec/ --category carpet  --val=True --save_path=./output --seed 42

注意：由于这个算法不需要优化，所有没有学习率和损失log。

第三步：验证

需要指定训练好的模型参数路径model_path=output/carpet/best.pdparams

python val.py --data_path=PATH/MVTec/ --category carpet  --model_path=./output/carpet/best.pdparams --save_picture=True --save_path=./output --seed 42

第四步：预测

这里需要指定单张图片路径picture_path以及保存预测结果路径save_path，会在生成预测结果predict.png

python predict.py --picture_path=PATH/MVTec/carpet/test/color/000.png --category carpet  --model_path=./output/carpet/best.pdparams --save_picture=True --save_path=predict.png --seed 42

如下：

第五步：TIPC

详细日志在test_tipc/output

TIPC: TIPC: test_tipc/README.md

首先安装auto_log，需要进行安装，安装方式如下： auto_log的详细介绍参考https://github.com/LDOUBLEV/AutoLog。

git clone https://github.com/LDOUBLEV/AutoLog
cd AutoLog/
pip3 install -r requirements.txt
python3 setup.py bdist_wheel
pip3 install ./dist/auto_log-1.2.0-py3-none-any.whl

进行TIPC：

bash test_tipc/prepare.sh test_tipc/configs/PaDiM/train_infer_python.txt 'lite_train_lite_infer'

bash test_tipc/test_train_inference_python.sh test_tipc/configs/PaDiM/train_infer_python.txt 'lite_train_lite_infer'

TIPC结果：

tipc测试结果截图

• 预训练模型的静态图导出与推理测试：

python export_model.py --depth 18 --img_size=224 --model_path=./test_tipc/output/carpet/best.pdparams --save_dir=./test_tipc/output

注意：由于该算法并不训练模型，仅仅由预训练模型生成数据分布数据，因此导出分为两个部分，一部分是预训练模型（model.pdiparams,model.pdmodel），一部分是分布数据(distribution)。

python infer.py --use_gpu=True --model_file=./test_tipc/output/model.pdmodel --input_file=./test_tipc/data/capsule/test/crack/001.png --params_file=./test_tipc/output/model.pdiparams --category=carpet  --distribution=./test_tipc/output/distribution

可正常导出与推理。

注意：

• 由于算法本身对于数据精度，也就是小数点位数异常敏感（不同小数点位数，算出来的分布匹配情况是不一样的，导致即使可以导出推理，backbone特征提取数据一致,后处理代码一模一样的情况下其结果会与动态图也不一致。因此该算法并不适合动静态转换）
• test_tipc时的infer，由于test_tipc限制了可视化环境。开启可视化会报错。注释掉infer 377行。

5 代码结构与说明

代码结构

├── data
├── datasets
├── models
├── logs
├── output
├── test_tpic
├── README.md
├── train.py
├── val.py   
├── predict.py
├── export_model.py
├── infer.py
└── requirements.txt              

6 模型信息

相关信息:

信息	描述
作者	xbchen
日期	2022年4月
框架版本	PaddlePaddle==2.2.1
应用场景	异常检测
硬件支持	GPU、CPU
在线体验	notebook

7 说明

• 感谢百度提供的算力支持。