Skip to main content
전체 노트북 코드: 07_unstructured_anomaly_detection.py
목적: MVTec AD 이미지 데이터로 PatchCore 비지도 학습 기반 이상탐지 모델을 학습하고, 이상 위치를 히트맵으로 시각화합니다. 사용 Databricks 기능: Volumes (이미지 관리), GPU Cluster, MLflow 아티팩트 추적, UC Model Registry

​
PatchCore 모델 원리

  • 비지도 학습: 정상 이미지만으로 학습 (이상 데이터 불필요)
  • 사전학습된 CNN(ResNet)의 중간 레이어 피처를 패치 단위로 추출
  • 메모리 뱅크에 정상 패턴을 저장하고, 테스트 시 거리 기반 이상 점수 산출
주의 이 노트북은 GPU 클러스터(g5.2xlarge 또는 g4dn.2xlarge)에서 실행해야 합니다.

​
1. MVTec AD 데이터 모듈 설정

Anomalib은 MVTec AD 데이터셋을 자동 다운로드하며, 이미지는 Unity Catalog Volume 에 저장됩니다. 
from anomalib.data import MVTec

datamodule = MVTec(
    root=f"/Volumes/{catalog}/{db}/lgit_images/mvtec_ad",
    category="bottle",        # 15개 카테고리 중 선택
    image_size=(256, 256),
    train_batch_size=32,
    eval_batch_size=32,
    num_workers=4,
)
datamodule.prepare_data()
datamodule.setup()
print(f"학습: {len(datamodule.train_data)}장 (정상만), 테스트: {len(datamodule.test_data)}장")

​
2. PatchCore 모델 학습

PatchCore는 피처 추출 기반이므로 1 epoch만 학습하면 됩니다. 
from anomalib.models import Patchcore
from anomalib.engine import Engine

with mlflow.start_run(run_name=f"patchcore_bottle") as run:
    mlflow.log_params({
        "model": "PatchCore", "backbone": "wide_resnet50_2",
        "category": "bottle", "coreset_sampling_ratio": 0.1,
    })

    model = Patchcore(
        backbone="wide_resnet50_2",
        layers_to_extract=["layer2", "layer3"],
        coreset_sampling_ratio=0.1,
    )

    engine = Engine(max_epochs=1, accelerator="auto", devices=1)
    engine.fit(model=model, datamodule=datamodule)
    test_results = engine.test(model=model, datamodule=datamodule)

    # 메트릭 기록 (AUROC 등)
    for metric_name, metric_value in test_results[0].items():
        if isinstance(metric_value, (int, float)):
            mlflow.log_metric(metric_name.replace("/", "_"), metric_value)

​
3. Unity Catalog에 비정형 모델 등록

비정형 모델도 정형 모델과 동일한 UC 거버넌스 체계 로 관리합니다. 
unstructured_model_name = f"{catalog}.{db}.lgit_anomaly_detection"

model_details = mlflow.register_model(
    model_uri=f"runs:/{run.info.run_id}/model",
    name=unstructured_model_name
)

client.update_registered_model(
    name=unstructured_model_name,
    description="""비전 기반 이상탐지 모델. PatchCore (Anomalib).
    입력: 제품 표면 이미지 (256x256). 출력: 이상 점수, 이상 위치 히트맵"""
)

client.set_registered_model_alias(
    name=unstructured_model_name, alias="Champion", version=model_details.version
)
성공 비정형 모델도 정형 모델과 동일한 Unity Catalog 거버넌스 체계로 관리됩니다. 에일리어스, 태그, 접근 제어 모두 통일된 방식으로 적용됩니다.
참고 모델 선택 가이드— 정확도 우선이면 PatchCore(AUROC 99.1%), 속도/비용 우선이면 EfficientAD, 실시간 추론이면 Reverse Distillation을 권장합니다.

​
4. Anomalib 모델 비교 및 최신 트렌드

전체 노트북 코드: 07_unstructured_anomaly_detection.py (Section 8)

​
Anomalib 지원 모델 비교

Anomalib은 PatchCore 외에도 20개 이상의 이상탐지 알고리즘 을 제공합니다. 동일한 코드 구조에서 모델 클래스만 교체 하면 즉시 비교 실험이 가능합니다.
모델정확도 (AUROC)추론 속도메모리적합 시나리오
PatchCore99.1%보통높음정확도 최우선 (오프라인 배치 검사)
EfficientAD98.8%가장 빠름가장 낮음실시간 인라인 검사 / 엣지 디바이스
Reverse Distillation98.5%빠름낮음속도-정확도 균형이 필요한 경우
PADIM97.9%빠름보통빠른 PoC / 프로토타이핑
FastFlow98.4%빠름보통Normalizing Flow 기반 (확률적 해석 필요 시)
# 모델 교체 예시 — 코드 한 줄만 변경
from anomalib.models import EfficientAd
model = EfficientAd()  # PatchCore 대신 EfficientAD
# 나머지 코드(학습, 평가, 등록)는 완전히 동일!
참고 모델 선택 가이드: PoC 단계에서는 PatchCore(정확도 최고)로 시작하고, 양산 적용 시 추론 속도 요구사항에 따라 EfficientAD(실시간) 또는 Reverse Distillation(균형)으로 전환을 검토합니다.

​
VisA 데이터셋 — 전자부품 검사용

MVTec AD 외에 VisA (Visual Anomaly) 데이터셋은 PCB 보드 4종(pcb1~pcb4)을 포함하여 전자부품 검사에 특화되어 있습니다. 
# MVTec AD 대신 VisA 사용 (PCB 보드 4종 포함!)
from anomalib.data import Visa

datamodule = Visa(
    root="/Volumes/catalog/schema/volume/visa",
    category="pcb1",  # pcb1, pcb2, pcb3, pcb4 — 전자부품 특화!
    image_size=(256, 256),
)
# 나머지 코드는 완전히 동일하게 사용 가능

​
Foundation Model 기반 이상탐지 (2023-2025 트렌드)

최근 AI 분야의 가장 큰 변화인 Foundation Model(기반 모델) 이 이상탐지에도 적용되고 있습니다.
기술논문/년도핵심 아이디어장점
WinCLIP2023CLIP의 윈도우 기반 이상 탐지Zero-shot 가능 (학습 없이 텍스트로 결함 설명만 하면 탐지)
AnomalyCLIP2024CLIP을 이상탐지에 특화하여 Fine-tuning여러 도메인에 범용적으로 적용 가능
SAM + 이상탐지2024Segment Anything Model로 결함 영역 정밀 분할픽셀 수준 결함 경계 정확도 향상
AnomalyGPT2024LLM + 비전 모델 결합, 대화형 이상 분석”이 결함의 원인이 무엇인가?”에 텍스트로 답변
성공 Foundation Model 기반 접근은 아직 연구 단계이지만, 향후 “카메라 모듈에서 렌즈 스크래치를 찾아줘”라는 자연어 지시만으로 결함을 탐지하는 것이 가능해질 것입니다. Databricks의 GPU 클러스터와 MLflow 인프라가 이러한 최신 모델의 실험/배포를 지원합니다.
다음 단계: 08. 모델 모니터링