### 工业产品图像异常检测的完整 Python 代码示例 以下是一个基于 Anomalib 库[^1] 的工业产品图像异常检测的完整 Python 代码示例。此代码展示了如何加载预训练模型并执行图像异常检测。 ```python import os from anomalib.deploy import TorchInferencer from anomalib.data.utils import get_image_shape, read_image # 加载预训练模型路径 model_path = "path_to_pretrained_model.pth" # 替换为实际的预训练模型文件路径 # 初始化 Inferencer 对象 inferencer = TorchInferencer(model_path=model_path) # 设置输入图像路径 image_path = "input_image.jpg" # 替换为要检测的图像文件路径 # 检查图像是否存在 if not os.path.exists(image_path): raise FileNotFoundError(f"The image file {image_path} does not exist.") # 读取图像 image = read_image(image_path) # 执行推理 prediction_result = inferencer.predict(image=image) # 输出预测结果 print("Prediction Result:", prediction_result) # 可视化结果 (如果需要保存可视化图片) output_dir = "./output" os.makedirs(output_dir, exist_ok=True) visualization_output_path = os.path.join(output_dir, f"{os.path.basename(image_path)}_result.png") inferencer.visualize( anomalous_title="Predicted Anomaly", figure_name=visualization_output_path, show=False, results=prediction_result ) print(f"Visualization saved at: {visualization_output_path}") ``` #### 关键说明 - **TorchInferencer**: 这是 Anomalib 中的一个类，用于加载 PyTorch 预训练模型并对新数据进行推理。 - **get_image_shape 和 read_image**: 这些函数帮助处理输入图像的数据形状和格式。 - **MIAD 数据集**: 如果您希望使用自己的数据集进行训练或验证，可以参考 MIAD 数据集[^2]，它提供了丰富的工业场景下的高分辨率图像及其标注信息。 ---