在Azure上快速落地视频异常检测模型，从训练到部署全自动
MLOps_VideoAnomalyDetection 是一个基于 Azure ML 的视频异常检测端到端 MLOps 示例项目。它解决了从模型训练到部署运维的全流程问题，核心能力包括：使用 PyTorch 构建视频异常检测模型（基于时序卷积或自编码器），通过 Azure ML 进行实验跟踪、超参调优、模型注册与版本管理，并利用 Azure Pipelines 或 GitHub Actions 实现 CI/CD 自动化，最终将模型部署为实时推理端点或批处理作业。项目提供了完整的代码、配置和文档，帮助开发者快速上手在 Azure 云上落地视频监控、工业质检等异常检测场景。
Azure ML官方示例、MLOps-python、Kubeflow
MLOps_VideoAnomalyDetection 是计算机视觉领域的开源项目，由 microsoft 开发，2019 年首次发布。
它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 137。
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 2026-09-16。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：视频监控中的异常事件检测（如打架、闯入）。同类可对比的替代方案包括 Azure ML官方示例、MLOps-python、Kubeflow。
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档
DEIMv2
开源
用DINOv3做实时检测，又快又准，直接落地。
[DEIMv2] Real Time Object Detection Meets DINOv3
