anomalibの使い方完全ガイド｜Patchcore・STFPM・OpenVINOで異常検知AIを3行から始める

製造ラインで「この部品、微妙に傷がついていないか？」を人間の目で1つずつ確認する——2026年になってもこの作業は多くの工場で続いている。anomalib（アノマリブ）は、この異常検知をAIで自動化するためのオープンソースライブラリだ。

下の画像が、anomalibが実際に出す「答え」だ。左からプリント基板の入力画像、正解マスク、異常ヒートマップ、AIが予測した異常領域、そして元画像への重ね合わせ。基板の一部を「ここが怪しい」と赤くマークし、どこがどれだけ異常かをピクセル単位で可視化している。コードを読む前に、まずこの出力イメージを掴んでおくと、以降の話が一気に腹落ちする。

anomalibの強みは「3行のPythonで最新の異常検知AIが動く」こと。Patchcore、STFPM、PaDiMといった学術論文で発表されたアルゴリズムを、PyTorch Lightningベースの統一APIで即座に利用できる。さらにIntel OpenVINO形式にエクスポートすれば、GPUがないCPUだけの環境でも高速推論が可能になる。

この記事では、anomalibが「何ができて」「何を解決し」「何を代替するのか」を軸に、インストールから異常検知モデルの学習・推論・デプロイまでを実践的に解説する。

anomalibは検査ワークフローを自動化する部品として使われることが多い。検査を人手からエージェント的な自動処理に置き換える文脈では AIエージェントフレームワーク比較2026年版 も参考になる。

anomalibとは — 異常検知AIを統一APIでまとめたライブラリ

anomalibは、Intel系の open-edge-platform チーム（旧OpenVINOチーム）が開発・メンテナンスするオープンソースの異常検知（Anomaly Detection）ライブラリだ。GitHubスター5,900以上、Apache 2.0ライセンスで商用利用可能。学術論文で発表された画像・動画向けの異常検知アルゴリズムを「すぐ使える実装」として集約し、ベンチマーク・開発・デプロイまでを一気通貫で支援する。

何を解決するのか — 異常検知AI特有の3つの壁

異常検知AIの開発には、通常の画像分類とは違う特有の壁がある。anomalibはその一つひとつに解を用意している。

最大の特徴は「正常データだけで学習できる」点。製造業では「不良品のデータ」を大量に集めるのが困難だ。anomalibのアルゴリズムは正常パターンを学習し、そこから外れたものを「異常」として検出する。不良品のサンプルが1枚もなくても異常検知モデルを構築できる——これが、教師あり画像分類では代替できないanomalibの核心的な価値だ。

何を代替するのか

anomalibが置き換えるのは、次のような従来手段だ。

・ルールベースの画像処理検査（閾値・輪郭抽出のチューニング地獄）を、正常データからの学習に置き換える
・論文の個別実装（Patchcore用リポジトリ、PaDiM用リポジトリ…）を、1つの統一APIに集約する
・高価な商用外観検査ソフトの一部用途を、自社完結のOSSで代替する
・GPU前提の重い推論を、OpenVINOによるCPU推論に置き換えてハード費用を下げる

リポジトリ情報

v2.5.0では新たに INP-Former（正常プロトタイプによる汎用異常検知）、GLASS（異常サンプル合成で局在化精度を上げる手法）、AnomalyVFM（Vision Foundation Modelによるゼロショット異常検知＝学習画像すら不要）、CFM（クロスモーダル特徴マッピングによる3D異常検知）の4モデルが追加された。ライブラリが今も活発に更新されている証拠でもある。

インストールと初回実行 — 3行のPythonで異常検知が動く

anomalibはPyPIから入る。まず1コマンドでインストールする。

# uv（高速）または pip でインストール
uv pip install anomalib
# もしくは
pip install anomalib

ハードウェアや用途に応じて「extra」を付けると、依存が自動で最適化される。API羅列で覚える必要はなく、下表から必要なものを選ぶだけだ。

複数指定も可能で、たとえば uv pip install "anomalib[openvino,cu130]" とすればOpenVINO推論とCUDA学習を両立できる。

最小コード — 学習から推論まで

インストールできたら、公式READMEどおりの手順で学習・推論が走る。MVTecAD（製造業向けベンチマーク）を使えばデータ準備すら不要で、初回実行時に自動ダウンロードされる。

from anomalib.data import MVTecAD
from anomalib.models import Patchcore
from anomalib.engine import Engine

datamodule = MVTecAD()      # ベンチマークデータ（初回に自動DL）
model = Patchcore()         # 使うアルゴリズム
engine = Engine()

engine.fit(datamodule=datamodule, model=model)              # 学習
predictions = engine.predict(datamodule=datamodule, model=model,
                             ckpt_path="path/to/model.ckpt")  # 推論

model = Patchcore() の部分を Stfpm() や Padim() に差し替えるだけで、別アルゴリズムに切り替えられる。APIが統一されているため、比較実験のコストが極端に低いのがanomalibの設計思想だ。

CLIで実行（コードなし）

Pythonを書かずに、コマンドラインだけでも同じことができる。

# 学習（カテゴリ指定も可能）
anomalib train --model Patchcore --data anomalib.data.MVTecAD --data.category transistor

# 推論
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTecAD \
                 --ckpt_path path/to/model.ckpt

主要アルゴリズム — Patchcore・STFPM・PaDiMの選び方

anomalibは十数種の異常検知アルゴリズムを搭載している。まずは定番3つの違いを押さえれば十分だ。

「どれを選ぶか」は、突き詰めるとリアルタイム性の要否と動かすハードの2軸でほぼ決まる。下のフローに沿えば迷わない。

学習データが1枚もないとき — ゼロショットという選択肢

v2.5.0で追加された AnomalyVFM や、anomalib[clip] で使える WinCLIP は、正常画像すら用意せずに異常を検知できる「ゼロショット」モデルだ。汎用の視覚基盤モデル（Vision Foundation Model）の知識を流用するため、「まず試したいがデータ収集はこれから」という立ち上げ段階で威力を発揮する。精度は専用学習したPatchcore等に劣るが、データがゼロでも今日から動かせる点が、従来の異常検知にはなかった代替手段だ。

Anomalib Studio — コードなしで外観検査を組む

anomalibにはWebベースのGUIツール「Anomalib Studio」が用意されている。コードを一切書かずに、ブラウザ上でデータのアップロード・学習・推論・デプロイまでを完結できる、ローコード/ノーコードのアプリケーションだ。

Studioでできること

製造現場の技術者がPythonを知らなくても、Studioだけで外観検査システムを構築できる。USBカメラをPCに接続し、正常品を数十枚撮影して学習すれば、リアルタイムの異常検知が動き出す。ここが、コーディング必須だった従来の検査AI開発を代替する部分だ。

Anomalib Studioは Dockerコンテナ版 と スタンドアロン版 の2形態で配布される。開発ビルドはバックエンド（uv sync）とフロントエンド（npm install）を用意し、それぞれ起動して http://localhost:3000 にアクセスする。ソースはリポジトリの application/ 配下にあり、各READMEに手順がまとまっている。

OpenVINOデプロイと本番運用 — CPUで高速推論、エッジからクラウドまで

anomalibの大きな強みが、Intel OpenVINO 形式へのエクスポートだ。多くのモデルはOpenVINO IR（中間表現）に書き出せ、GPUがなくてもCPUだけで加速された推論が可能になる。CLIなら anomalib export、Python APIなら engine.export() でIRを生成し、推論には OpenVINOInferencer を使う。

推論構成による性能傾向

推論の速度とメモリは「どの形式で・どのハードで動かすか」で大きく変わる。下表は絶対値ではなく相対的な傾向の目安として捉えてほしい。

OpenVINO化により、工場のエッジPCにGPUを搭載しなくても検査が回せる。ネットワーク接続なしでスタンドアロン稼働できる点も、外部にデータを出せない工場・防衛関連では決定的な利点になる。

本番導入の3パターン

anomalibを本番に載せる構成は、おおむね次の3つに集約される。

・エッジPC型：カメラ → エッジPC（OpenVINO推論）→ 異常時アラート。USBカメラ＋小型PCで完結する最短構成
・バッチ処理型：1日分の検査画像をフォルダ単位で一括推論し、品質レポートを出力する構成
・APIサーバー型：FastAPI等でREST APIとして提供し、複数ラインの結果をダッシュボードに集約する構成

学習からデプロイまでの全体フローは次のとおり。精度が出るまで「データ追加・アルゴリズム変更 → 再学習」を回し、合格したらエクスポートして配置する。

自社データでの活用と精度チューニング — 製造・監視・医療

MVTecADで動作確認できたら、次は自社データだ。anomalibの Folder データモジュールを使えば、決まったディレクトリ構成に画像を置くだけで学習できる。異常画像フォルダは省略可能で、正常画像だけでも学習が始められる。

ディレクトリ構成のルール

data/my_product/
├── train/
│   └── normal/          # 正常画像（学習用）50枚以上推奨
├── test/
│   ├── normal/          # 正常画像（テスト用）
│   └── abnormal/        # 異常画像（テスト用・オプション）
└── ground_truth/
    └── abnormal/        # 異常箇所のマスク画像（Pixel精度評価用・オプション）

データ準備のコツ

業務シナリオからの逆引き — どのアルゴリズムで始めるか

「試したいが、どれから始めるべきか」は公式READMEでは判断しづらい。用途別に、推奨アルゴリズム・必要枚数・推論ハードの目安を整理した（検出率は一般的な傾向で、実測は自データで要確認）。

工場のエッジPCで動かすなら、PatchcoreをOpenVINO INT8で量子化する組み合わせが、コスト・速度・精度のバランスで最も現実的だ。

精度チューニングの勘所

anomalibはハイパーパラメータ最適化（HPO）を内蔵しており、Weights & Biases（W&B）やComet.mlと連携して最適値を自動探索できる。実行は anomalib hpo --backend WANDB --sweep_config tools/hpo/configs/wandb.yaml の形。手で調整する場合、効きが大きいのは次のパラメータだ。

精度に最も効くのは backbone の選択。wide_resnet50_2 は精度が高い反面、推論が重い。エッジ向けに resnet18 へ落とすと推論は軽くなるが精度は下がる——このトレードオフの最適点を探すのがHPOの役割だ。実験ログはW&B・Comet.ml・TensorBoardの3ロガーに対応し、学習曲線や異常スコア分布、推論結果の可視化をリアルタイムで追える。

他ツールとの比較と、導入前に知るべき限界

「画像の異常検知」でanomalibを選ぶ理由を、他の代表的ライブラリと比較して確認する。

画像ベースの異常検知ならanomalib一択。 一方、数値・ログのようなテーブルデータの異常検知にはPyODやscikit-learnのIsolation Forestが適する。「何を代替するか」を取り違えないことが重要だ。

商用サービスとの使い分け

「データを外部に出せない」製造業や防衛関連では、自社完結できるanomalibが有力な選択肢になる。逆に、セットアップの手間を最小化したいだけならGUI型の商用サービスが向く。ここは正直に用途で選び分けたい。

導入前に理解すべき限界

anomalibは強力だが万能ではない。次の限界は導入前に必ず押さえておく。

異常検知AIは「人間の検査員を置き換える」ものではなく、「人間の見落としを補完する」ものとして導入するのが成功の鍵だ。最終判断は人間が行い、AIは「ここが怪しい」というアラートを出す役割に徹する——この設計が、実運用で最も安定する。

まとめ — anomalibで異常検知AIを始める3ステップ

1. uv pip install anomalib でインストール
2. 正常画像を50枚以上用意して Folder データモジュールに設定
3. engine.fit() で学習、engine.predict() で推論

GPUがなくても、OpenVINOエクスポートでCPU推論が加速する。Anomalib Studioを使えば、コードなしでブラウザから外観検査を組める。そしてanomalib最大の価値は、不良品データが集まるのを待たずに、正常データだけで今日から始められることだ。

検査ワークフローの自動化は AIエージェントフレームワーク と組み合わせて設計でき、GitHub Actions を使えばCI/CDパイプラインに異常検知を組み込むこともできる。

参照ソース

• open-edge-platform/anomalib — GitHub
• Anomalib Documentation
• Defect Detection with Anomalib and OpenVINO — Intel
• Anomaly Detection with FiftyOne and Anomalib — Voxel51

</content> </invoke>