AnomalyDINO

用少量正常样本，精准揪出图像中的异常区域

AnomalyDINO 是一个基于 DINOv2 的少样本异常检测开源模型，发表于 WACV2025。它针对工业质检中标注样本稀缺的问题，通过增强 patch 级特征表示，在仅需少量正常样本的情况下，即可准确检测并定位图像中的异常区域。核心能力包括：利用 DINOv2 强大的预训练视觉特征，结合 patch 匹配策略，实现高精度的异常定位；支持少样本训练，降低实际部署成本；提供完整的训练和评估代码，便于复现和二次开发。项目主要面向制造业质检、医学影像分析等需要高效异常筛查的场景。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 255

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队dammsi

所属国家

官网地址

GitHubhttps://github.com/dammsi/AnomalyDINO

定价模式free

价格说明开源项目，Apache-2.0许可证，可自由使用，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型anomaly-detection,dinov2,foundation-models,vision-transformer

GitHub 星标★ 255

30天Star增速

HF 下载量

上线时间2024-07-30 00:00:00

最近更新2026-09-21 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

少样本性能强：仅需少量正常样本即可达到高检测精度，适合标注稀缺场景
定位精度高：基于 patch 级特征匹配，异常区域定位细致，优于传统嵌入方法
学术背书：WACV2025 论文，方法经过同行评审，代码开源可复现

不足之处

依赖 DINOv2 预训练模型，推理速度可能受限于大模型
文档/社区待观察：项目较新，使用教程和社区支持尚不完善

适用场景

工业质检：检测产品表面缺陷，如划痕、污渍
医学影像：辅助识别 X 光或 CT 中的病灶区域
安防监控：发现场景中的异常物体或行为

替代项目

PatchCore、SPADE、PaDiM

项目介绍

AnomalyDINO 是计算机视觉领域的开源项目，由 dammsi 开发，2024 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 255。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-21。Apache-2.0许可证，可自由使用，无付费版本。

它主要面向的使用场景是：工业质检：检测产品表面缺陷，如划痕、污渍。同类可对比的替代方案包括 PatchCore、SPADE、PaDiM。

上一篇：SARATR-X

下一篇：UniAct