Avis de fin de support : le 31 octobre 2025, le support d'Amazon Lookout for Vision AWS sera interrompu. Après le 31 octobre 2025, vous ne pourrez plus accéder à la console Lookout for Vision ni aux ressources Lookout for Vision. Pour plus d'informations, consultez ce billet de blog.
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Déterminer si une image est anormale
Vous pouvez déterminer si une image est anormale de différentes manières. La méthode que vous choisissez dépend de votre cas d'utilisation et du type de votre modèle. Les solutions possibles sont les suivantes.
Classification
IsAnomalousclasse une image comme anormale, utilise le Confidence champ pour déterminer si l'image est réellement anormale. Plus la valeur est élevée, plus le niveau de confiance est élevé. Par exemple, vous pouvez décider qu'un produit est défectueux uniquement si le niveau de confiance est supérieur à 80 %. Vous pouvez classer les images analysées par des modèles de classification ou par des modèles de segmentation d'images.
- Python
-
Pour l'exemple de code complet, voir GitHub.
def reject_on_classification(image, prediction, confidence_limit):
"""
Returns True if the anomaly confidence is greater than or equal to
the supplied confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence_limit: The minimum acceptable confidence. Float value between 0 and 1.
:return: True if the error condition indicates an anomaly, otherwise False.
"""
reject = False
logger.info("Checking classification for %s", image)
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
reject = True
reject_info=(f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) is greater"
f" than limit ({confidence_limit:.2%})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static boolean rejectOnClassification(String image, DetectAnomalyResult prediction, float minConfidence) {
/**
* Rejects an image based on its anomaly classification and prediction
* confidence
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the prediction
* (0-1).
*
* @return boolean True if the image is anomalous, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking classification for {0}", image);
String[] logParameters = { prediction.confidence().toString(), String.valueOf(minConfidence) };
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
logger.log(Level.INFO, "Rejected: Anomaly confidence {0} is greater than confidence limit {1}",
logParameters);
reject = true;
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
Segmentation
Si votre modèle est un modèle de segmentation d'image, vous pouvez utiliser les informations de segmentation pour déterminer si une image contient des anomalies. Vous pouvez également utiliser un modèle de segmentation d'image pour classer les images. Par exemple du code permettant d'obtenir et d'afficher des masques d'image, voir Affichage des informations de classification et de segmentation
Zone d'anomalie
Utilisez le pourcentage de couverture (TotalPercentageArea) d'une anomalie sur l'image. Par exemple, vous pouvez décider qu'un produit est défectueux si la zone d'une anomalie est supérieure à 1 % de l'image.
- Python
-
Pour l'exemple de code complet, voir GitHub.
def reject_on_coverage(image, prediction, confidence_limit, anomaly_label, coverage_limit):
"""
Checks if the coverage area of an anomaly is greater than the coverage limit and if
the prediction confidence is greater than the confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence_limit: The minimum acceptable confidence (float 0-1).
:anomaly_label: The anomaly label for the type of anomaly that you want to check.
:coverage_limit: The maximum acceptable percentage coverage of an anomaly (float 0-1).
:return: True if the error condition indicates an anomaly, otherwise False.
"""
reject = False
logger.info("Checking coverage for %s", image)
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
for anomaly in prediction['Anomalies']:
if (anomaly['Name'] == anomaly_label and
anomaly['PixelAnomaly']['TotalPercentageArea'] > (coverage_limit)):
reject = True
reject_info=(f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) "
f"is greater than limit ({confidence_limit:.2%}) and {anomaly['Name']} "
f"coverage ({anomaly['PixelAnomaly']['TotalPercentageArea']:.2%}) "
f"is greater than limit ({coverage_limit:.2%})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static Boolean rejectOnCoverage(String image, DetectAnomalyResult prediction, float minConfidence,
String anomalyType, float maxCoverage) {
/**
* Rejects an image based on a maximum allowable coverage area for an anomaly
* type.
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the prediction
* (0-1).
* @param anomalyTypes The anomaly type to check.
* @param maxCoverage The maximum allowable coverage area of the anomaly type.
* (0-1).
*
* @return boolean True if the coverage area of the anomaly type exceeds the
* maximum allowed, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking coverage for {0}", image);
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
for (Anomaly anomaly : prediction.anomalies()) {
if (Objects.equals(anomaly.name(), anomalyType)
&& anomaly.pixelAnomaly().totalPercentageArea() >= maxCoverage) {
String[] logParameters = { prediction.confidence().toString(),
String.valueOf(minConfidence),
String.valueOf(anomaly.pixelAnomaly().totalPercentageArea()),
String.valueOf(maxCoverage) };
logger.log(Level.INFO,
"Rejected: Anomaly confidence {0} is greater than confidence limit {1} and " +
"{2} anomaly type coverage is higher than coverage limit {3}\n",
logParameters);
reject = true;
}
}
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
Nombre de types d'anomalies
Utilisez le nombre des différents types d'anomalies (Name) présents sur l'image. Par exemple, vous pouvez décider qu'un produit est défectueux s'il existe plus de deux types d'anomalies.
- Python
-
Pour l'exemple de code complet, voir GitHub.
def reject_on_anomaly_types(image, prediction, confidence_limit, anomaly_types_limit):
"""
Checks if the number of anomaly types is greater than than the anomaly types
limit and if the prediction confidence is greater than the confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence: The minimum acceptable confidence. Float value between 0 and 1.
:param anomaly_types_limit: The maximum number of allowable anomaly types (Integer).
:return: True if the error condition indicates an anomaly, otherwise False.
"""
logger.info("Checking number of anomaly types for %s",image)
reject = False
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
anomaly_types = {anomaly['Name'] for anomaly in prediction['Anomalies']\
if anomaly['Name'] != 'background'}
if len (anomaly_types) > anomaly_types_limit:
reject = True
reject_info = (f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) "
f"is greater than limit ({confidence_limit:.2%}) and "
f"the number of anomaly types ({len(anomaly_types)-1}) is "
f"greater than the limit ({anomaly_types_limit})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static Boolean rejectOnAnomalyTypeCount(String image, DetectAnomalyResult prediction,
float minConfidence, Integer maxAnomalyTypes) {
/**
* Rejects an image based on a maximum allowable number of anomaly types.
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the predictio
* (0-1).
* @param maxAnomalyTypes The maximum allowable number of anomaly types.
*
* @return boolean True if the image contains more than the maximum allowed
* anomaly types, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking coverage for {0}", image);
Set<String> defectTypes = new HashSet<>();
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
for (Anomaly anomaly : prediction.anomalies()) {
defectTypes.add(anomaly.name());
}
// Reduce defect types by one to account for 'background' anomaly type.
if ((defectTypes.size() - 1) > maxAnomalyTypes) {
String[] logParameters = { prediction.confidence().toString(),
String.valueOf(minConfidence),
String.valueOf(defectTypes.size()),
String.valueOf(maxAnomalyTypes) };
logger.log(Level.INFO, "Rejected: Anomaly confidence {0} is >= minimum confidence {1} and " +
"the number of anomaly types {2} > the allowable number of anomaly types {3}\n", logParameters);
reject = true;
}
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
