网站建设内容模板下载手机怎样做刷赞网站

网站建设内容模板下载,手机怎样做刷赞网站,在手机上编写安卓app,网站修改用什么工具CFlow解析1.CFlow2 训练与推理3. CFlow 模型结构图解#xff1a;3.1 整体架构概览#xff08;文字版 图形描述#xff09;3.2 PyTorch 代码解读4 如何用自己的数据训练4.2 进阶技巧#xff08;提升性能#xff09;快速试跑#xff08;小规模#xff09;自定义数据训练测…CFlow解析1.CFlow2 训练与推理3. CFlow 模型结构图解3.1 整体架构概览文字版 图形描述3.2 PyTorch 代码解读4 如何用自己的数据训练4.2 进阶技巧提升性能快速试跑小规模自定义数据训练测试并保存图像官方文档https://anomalib.readthedocs.iohttps://github.com/gudovskiy/cflowGitHub 示例https://github.com/openvinotoolkit/anomalib/tree/main/examples开源实现https://github.com/gudovskiy/cflowGitHub: https://github.com/galeone/cflow-adPyTorch 版本https://github.com/chenyifei618/CFlow参考资料论文原文CVPR 2023https://openaccess.thecvf.com/content/CVPR2023/html/Gudovskiy_CFlow_Real-Time_Pixel-Level_Anomaly_Detection_via_Conditional_Latent_Normalization_CVPR_2023_paper.htmlMVTec AD 数据集https://www.mvtec.com/company/research/datasets/mvtec-ad1.CFlow1.1 概念Conditional Normalizing Flow深度生成模型Generative Model无监督/弱监督异常检测如产品表面缺陷识别。 Google Research 在 2021 年提出论文CFlow-AD: Real-Time Industrial Anomaly Detection with Conditional Flows专为工业质检设计。1.2 背景自动检测产品是否有划痕、污渍、变形等缺陷。缺陷样本极少甚至没有缺陷种类多样、不可预知要求实时性高毫秒级响应。1.3 思路 学习正常像素的概率分布根据像素的概率密度估计识别“不符合正常模式”的区域低似然即异常。只用“正常样本”训练一个模型让它学会“什么是正常的”一旦输入偏离就判定为异常。1.4 原理图像输入深度学习模型得到特征学习特征的概率分布。正常样本的特征接近于训练样本的分布负样本偏离训练样本的分布依据以上条件判断图片上的缺陷。1.5 缺点标准 Flow 模型难以处理高维图像计算开销大。对纹理复杂的物体效果下降、显存占用较高。1.6 训练阶段仅使用正常样本[正常图像]→ ResNet 提取多层特征→ 条件化 Flow 模型学习特征分布→ 最大化似然损失MLE1.7 推理阶段检测新图像[新图像]→ 提取特征→ 计算每个位置的似然值→ 似然越低越可能是异常→ 输出热力图红色异常区域1.8 相关论文与资源原始论文CFlow-AD: Real-Time Industrial Anomaly Detection with Conditional Flows (ICCVW 2021)2 训练与推理步骤 1安装依赖git clone https://github.com/gudovskiy/cflow.git cd cflow pip install -r requirements.txt步骤 2训练使用正常图像python train.py --dataset mvtec --data ./data/mvtec --object_class pill --epochs 100步骤 3测试并生成热力图python test.py --weights ./runs/pill/model.pth --save_dir ./results/pill输出包含每张图的异常分数可视化热力图红异常蓝正常3. CFlow 模型结构图解CFlow - Real-Time Pixel-Level Anomaly Detection via Conditional Latent Normalization一种基于条件归一化流Conditional Normalizing Flows 的无监督异常检测模型。3.1 整体架构概览文字版 图形描述输入图像 img[224x224 RGB] │ ▼ 预训练骨干网络如 WideResNet-50 │ → 提取多尺度特征图 {F1, F2[28*28*256], F3[14,14,512]} │ 例如layer2, layer3, layer4 输出 ▼ 特征重塑Patch Partition F2[28*28*256],—[784 patches] , F2[14×14×512],—[196 patches] │ → 将每个特征图划分为局部块patches如 1×1 或池化后处理。 ▼ Normalizing Flow 模块带条件归一化 │ ← 条件信号来自同一骨干网络 ▼ 建模潜在变量 z 的概率密度 p(z) │ ▼ 计算似然得分Likelihood Score │ ▼ 异常热力图Anomaly Heatmap3.2 PyTorch 代码解读项目目录结构cflow/ ├── train.py # 主训练脚本 ├── test.py # 测试与推理脚本 ├── model.py # 核心模型定义Normalizing Flow 条件归一化 ├── dataset.py # 数据加载器MVTec AD 格式 ├── utils.py # 工具函数如热力图生成、评估指标 └── requirements.txt # 依赖包model.pyimport torch import torch.nn as nn import torch.nn.functional as F # (1) 条件仿射变换层Conditional Affine Layer # 这是 CFlow 的核心创新动态预测缩放和平移参数。 class ConditionalAffine(nn.Module): def __init__(self, dim, cond_dim): super().__init__() self.dim dim self.cond_dim cond_dim # 小型网络根据上下文 cond 预测 s 和 t self.scale_shift_net nn.Sequential( nn.Linear(cond_dim, 64), nn.ReLU(), nn.Linear(64, dim * 2) # 输出 scale 和 shift ) def forward(self, x, cond): # cond: [B, C_cond] → 缩小到空间维度匹配 B, C, H, W x.shape cond F.adaptive_avg_pool2d(cond, (H, W)) # 全局特征 → 空间对齐 cond cond.permute(0, 2, 3, 1).reshape(-1, self.cond_dim) # [B*H*W, cond_dim] scale_shift self.scale_shift_net(cond) # [B*H*W, 2*C] scale, shift scale_shift.chunk(2, dim1) # 分割为 scale 和 shift scale scale.view(B, H, W, C).permute(0, 3, 1, 2) # [B, C, H, W] shift shift.view(B, H, W, C).permute(0, 3, 1, 2) # 可逆变换y scale * x shift y scale * x shift log_jac torch.sum(torch.log(torch.abs(scale)), dim[1,2,3]) # 对数雅可比行列式 return y, log_jac def reverse(self, y, cond): # 逆变换用于采样或重建 B, C, H, W y.shape cond F.adaptive_avg_pool2d(cond, (H, W)) cond cond.permute(0, 2, 3, 1).reshape(-1, self.cond_dim) scale_shift self.scale_shift_net(cond) scale, shift scale_shift.chunk(2, dim1) scale scale.view(B, H, W, C).permute(0, 3, 1, 2) shift shift.view(B, H, W, C).permute(0, 3, 1, 2) x (y - shift) / (scale 1e-8) log_jac -torch.sum(torch.log(torch.abs(scale)), dim[1,2,3]) return x, log_jac # 使用 cond来自骨干网络高层特征控制低层特征的标准化。 # 所有操作必须是可逆的以支持概率密度计算。 # (2) 多尺度 Flow 块Multi-Scale Flow Block # 每个层级使用多个条件仿射层堆叠 class FlowBlock(nn.Module): def __init__(self, dim, cond_dim, num_layers3): super().__init__() self.layers nn.ModuleList([ ConditionalAffine(dim, cond_dim) for _ in range(num_layers) ]) def forward(self, z, cond): total_log_jac 0 for layer in self.layers: z, log_jac layer(z, cond) total_log_jac log_jac return z, total_log_jac # (3) 主干网络 多尺度融合 class CFlowModel(nn.Module): def __init__(self, backbonewideresnet50, layers[layer3, layer4]): super().__init__() self.backbone torch.hub.load(pytorch/vision, backbone, pretrainedTrue) self.backbone.eval() # 冻结权重 self.layers layers # 移除最后的分类头 self.feature_extractor nn.Sequential(*list(self.backbone.children())[:-2]) # Flow blocks for each layer self.flow_blocks nn.ModuleDict({ layer3: FlowBlock(dim256, cond_dim1024), # 示例维度 layer4: FlowBlock(dim512, cond_dim2048) }) def extract_features(self, x): feat3 None feat4 None for name, module in self.feature_extractor._modules.items(): x module(x) if name layer3: feat3 x.detach() # 不参与梯度更新 elif name layer4: feat4 x.detach() return {layer3: feat3, layer4: feat4} def forward(self, x): # 提取多尺度特征 feats self.extract_features(x) total_log_prob 0 for layer_name in self.layers: feat feats[layer_name] cond feats[layer4] if layer_name layer3 else None # 高层作为条件 _, log_jac self.flow_blocks[layer_name](feat, cond) total_log_prob log_jac.mean() return -total_log_prob # 最大似然 → 最小负对数似然 # 主干网络冻结只训练 flow 层。 # 损失函数loss -log p(x)即最小化负对数似然。4 如何用自己的数据训练步骤 1准备你的数据集要求只需要 正常图像无异常 用于训练测试时可以包含异常图像用于验证效果图像格式.png 或 .jpg推荐尺寸≥ 224×224目录结构示例your_dataset/ ├── train/ │ └── good/ │ ├── img1.png │ ├── img2.png │ └── ... ├── test/ │ ├── good/ │ │ ├── normal1.png │ ├── broken/ │ │ ├── crack1.png │ │ └── scratch1.png │ └── dirty/ │ └── stain1.png 类别文件夹名如 broken, dirty会被自动识别为异常类型。步骤 2安装依赖git clone https://github.com/gudovskiy/cflow.git cd cflow pip install -r requirements.txt 安装 PyTorch如果未安装 pip install torch torchvision步骤 3启动训练python train.py \ --dataset custom \ --data ./your_dataset \ --object_class your_product_name \ --epochs 100 \ --lr 0.001 \ --batch_size 16 \ --workers 4 \ --save_dir ./runs/your_product_name参数说明–dataset custom 使用自定义数据集–data 数据根路径–object_class 类别名称对应 train/good/ 下的数据–epochs 训练轮数建议 50~100–lr 学习率flow 层可用稍高学习率步骤 4测试与可视化python test.py \ --weights ./runs/your_product_name/model_last.pth \ --data ./your_dataset \ --dataset custom \ --object_class your_product_name \ --save_dir ./results/your_product_name \ --save_image_thresh 0.8输出内容./results/your_product_name/images/: 包含原始图 热力图叠加scores.txt: 每张图的异常得分AUC 评估结果如果有标注步骤 5查看结果打开 ./results/your_product_name/images/test/ 中的图片你会看到类似红色区域 高异常分数很可能是缺陷蓝色区域 符合正常模式4.2 进阶技巧提升性能技巧 方法调整输入大小 修改 dataset.py 中 Resize((256,256)) 提高分辨率增加 flow 层数 在 model.py 中增大 num_layers但会变慢使用更强主干 替换为 resnet101 或 convnext需修改通道数数据增强 在训练中加入轻微旋转/颜色扰动不影响正常分布建模常见问题 FAQ1 训练时显存不足怎么办降低 batch_size 到 4 或 8或使用更小输入尺寸如 224→1922 模型检测不出小缺陷尝试启用更多中间层如 layer2或多尺度融合加权优化。3 能否检测多种产品每类产品需单独训练一个模型。CFlow 是“单类别”模型。4是否支持视频流实时检测支持推理速度约 30ms/帧可用于工业相机实时质检。快速调试命令模板快速试跑小规模python train.py --dataset mvtec --data ./data/mvtec --object_class pill --epochs 10 --batch_size 4自定义数据训练python train.py --dataset custom --data ./mydata --object_class circuit_board --epochs 50测试并保存图像python test.py --weights runs/circuit_board/model_last.pth --save_dir results/cb —save_imagesCFLOW-AD由一个判别式预训练的编码器和多个多尺度生成式解码器组成其中解码器显式估计编码特征的似然概率。该方法实现了计算与内存效率的显著提升在相同输入设置下CFLOW-AD的速度和模型尺寸均比当前最先进的方法快10倍、小10倍。在MVTec数据集上的实验结果表明CFLOW-AD在检测任务中比先前方法提升了0.36%的AUROC在定位任务中分别提升了1.12%的AUROC和2.5%的AUPRO。本文已开源全部代码并提供完全可复现的实验设置。