# [Anomalib](https://github.com/openvinotoolkit/anomalib) 評測文

<img src= https://i.imgur.com/TyREAwv.png) width="350" height="100" align="middle" />

## AI與瑕疵檢測結合可應用之場域
工業場域中，對於不同大小、不同形狀及不同材質的工業部件需要進行瑕疵檢測(AD)。傳統工業中，透過大量人力進行檢驗，此方法容易消耗大量人力與時間，且受檢驗人員經驗影響，檢測結果會下降。因此許多工廠導入了AI檢測模型，透過電腦視覺(CV)來協助人員進行檢測，主要透過攝像頭拍攝部件外觀，後由人員進行檢測，確認部件是否含有瑕疵，並將以此為資料集，訓練AI檢測模型。然而此方法在實際場域中受到資料量的限制，無法精準的對影像進行分析。為了提高AD模型應用在實際場域中的泛用性，許多研究開始提出不同的演算法來對瑕疵進行分析。而 openvino 彙整了一個深度學習資料庫 - [Anomalib]，包含了目前檢測精準度較高的AD模型。

## 多框架開發
Anomalib 可使用 「Pytorch」、「Openvino」進行模型訓練與異常檢測，本文將以PaDiM模型為例，介紹如何使用Openvino框架進行異常檢測模型訓練的過程。

## 異常檢測模型實作
本文使用的硬體設備有兩種，分別為 個人筆電 Windows10，處理器為 i7-8750H 及 工業電腦 （待補規格）
### 環境建置
本文所使用的開發工具為 [Anaconda](https://www.anaconda.com/products/distribution)
建立虛擬環境後，即可進行模型的下載，步驟如下：
- 下載並安裝 Anomalib 專案與套件

git clone https://github.com/openvinotoolkit/anomalib.git # download Anomalib Github

cd anomalib 

pip install -e . # download package

### 安裝 [Openvino](https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html)

> 若執行系統為 Windows 時，當Openvino有指定版本時，如：```pip install openvino-dev==2022.3.0```，執行推論前需執行 ```setupvars.bat```。
> ```setupvars.bat``` 預設路徑：C:\Program Files (x86)\Intel\openvino_2022\。

pip install openvino-dev # download package for for developing applications

### 下載 [MVTec](https://www.mydrive.ch/shares/38536/3830184030e49fe74747669442f0f282/download/420938113-1629952094)
本文將使用 MVTec AD 資料集進行工業部件瑕疵檢測

anomalib
 └─datasets
  └─MVTec

### 模型訓練
自訂 config.yaml 檔內容

anomalib
 └─anomalib
  └─models
   └─padim

> 根據檢測的模型，不同模型參數位置會有所差異，更換模型時需要特別注意。
> 5L ```
category: bottle ```，修改檢測類別，詳細類別如下：
>
> category list : bottle, cable, capsule, carpet, grid,
> hazelnut, leather, metal_nut, pill, screw,
> tile, toothbrush, transistor, wood, zipper
>
> 7L ```train_batch_size: 32```
> 8L ```eval_batch_size: 32```
> 以上兩種參數需根據 GPU 性能進行調整，以 RTX 2060 為例，將參數值設為 2
> 66L ```export_mode: "openvino"```，修改模型輸出格式
> 77L ```check_val_every_n_epoch: 1```，設定訓練幾次後，儲存權重檔(.ckpt)。
> 94L ```max_epoch: 1```，設定訓練次數為 n+1

設定完成後，即可開始進行訓練

python tools/train.py --config anomalib/models/{model_name}/config.yaml 

以模型 "PaDiM" 為例

python tools/train.py --config anomalib/models/padim/config.yaml

完成訓練後，模型將會自動輸出各類別結果影像與權重
需確認輸出的檔案是否含有IR檔，以進行推論 (inference)

anomalib
 └─results
  └─padim
   └─mvtec
    └─bottle
     └─run
      └─openvino
       └─meta_data.json
         model.bin
         model.mapping
         model.onnx
         model.xml 

### 進行推論　(Openvino)

python tools/inference/openvino_inference.py --config anomalib/models/{model_name}/config.yaml --weights results/{model_name}/mvtec/{category_name}/run/openvino/model.bin --meta_data results/{model_name}/mvtec/{category_name}/run/openvino/meta_data.json --input datasets/MVTec/{category_name}/test/{image_path} --output {output_path}

以類別 "bottle" 中的 "broken_large" 影像為例

python tools/inference/openvino_inference.py --config anomalib/models/padim/config.yaml --weights results/padim/mvtec/bottle/run/openvino/model.bin --meta_data results/padim/mvtec/bottle/run/openvino/meta_data.json --input datasets/MVTec/bottle/test/broken_large --output results/padim/openvino

> --input 可使用單張影像或資料夾
> --output 輸出類別 "bottle"，關於 "broken_large" 問題的測試結果

anomalib
 └─results
  └─padim
   └─openvino
    └─broken_large

### 使用不同框架進行模型推論比較

<img src= https://i.imgur.com/ngf3BiZ.png) width="470" height="300" align="middle" />
</p>
<img src= https://i.imgur.com/MOoBy7v.png) width="470" height="300" align="middle" />
</p>

結論：在先前的教學文中，和各位簡單介紹了如何使用 anomalib 中的模型進行訓練與推論，本文以此為基礎，介紹 PaDiM 等6種模型如何利用 openvino 來進行推論，在簡單操作的同時亦能提昇推論的效率。藉由以上圖表可知，在不同硬體設備下，使用openvino框架進行推論時，可有效提升大多數模型的推論速度。