工廠 AI 化
進階
工廠 AI 化

用 Anomalib 訓練瑕疵檢測

只用良品照片就能訓練異常偵測模型，從拍照、訓練到看結果的完整流程。
2 小時
6 步
開源免費；要有 GPU 會比較快
編
AI 有解編輯部
最後更新 2026 年 11 月 5 日・CC BY 4.0
用到的工具
Python
Anomalib
不良品通常很少，所以先用「只學良品」的異常偵測最實際。Anomalib 是開源函式庫，採 Apache-2.0 授權，商業使用相對單純。
你需要準備
•
Python 3.10 以上的環境
•
至少 100 張良品照片、20 張不良品照片
•
固定的相機、固定的打光
進度 0／6
1

先把影像拍穩

模型學到的是「和平常不一樣」。如果光線、角度一直變，它會把這些都當異常。先固定相機與打光，用遮光罩擋住環境光。
2

安裝

終端機
pip install anomalib
3

整理資料夾

文字
dataset/ good/ 良品照片 bad/ 不良品照片
4

訓練

建立 train.py：
Python
from anomalib.data import Folder from anomalib.engine import Engine from anomalib.models import Patchcore datamodule = Folder( name="parts", root="dataset", normal_dir="good", abnormal_dir="bad", ) model = Patchcore() engine = Engine() engine.fit(datamodule=datamodule, model=model) engine.test(datamodule=datamodule, model=model)
執行：
終端機
python train.py
訓練結果會存在 results 資料夾，裡面有檢查點與視覺化圖片。
5

看結果，不要只看分數

打開視覺化圖片，確認模型標出來的位置真的是瑕疵，而不是背景或反光。如果標在背景上，就回頭改打光或裁切。
6

用新批次驗證

拿模型沒看過的批次測試，算漏檢率與誤殺率。這才是真正的成績。
你照著做成功了嗎？
成為第一個回報的人。你的回報會決定攻略排序與作者分潤。
下一步
•
把模型放進實際產線，看〈金屬件外觀 AI 檢測站〉。
收錄在學習路線
廣告版位
想讓正在用 AI 的人看到你的產品？了解廣告合作
問與答
卡住的地方、補充的做法都可以留在這裡
還沒有人留言。
更多「工廠 AI 化」攻略