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。

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最新アルゴリズムを、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、CPUだけで高速推論が可能になる。

この記事では、anomalibのインストールから異常検知モデルの学習、推論、OpenVINOデプロイまでを実践的に解説する。

この記事ではAIエージェントに特化して解説します。AIエージェント全般は AIエージェントフレームワーク比較2026年版 をご覧ください。

anomalibとは — Intel OpenVINO公式の異常検知AIライブラリ

anomalibは、Intel 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5,700以上、Apache 2.0ライセンスで商用利用可能。

なぜanomalibが必要か

異常検知AIの開発には特有の課題がある。

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。

リポジトリ情報

インストールと初回実行 — 3行で異常検知が動く

インストール

# pip でインストール（最もシンプル）
pip install anomalib

# OpenVINO推論も使う場合
pip install "anomalib[openvino]"

# CUDA + OpenVINO
pip install "anomalib[openvino,cu130]"

# uv を使う場合（高速）
uv pip install anomalib

最小コード — Python 3行で異常検知

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

# たった3行でモデル学習が完了
engine = Engine()
engine.fit(datamodule=MVTecAD(), model=Patchcore())

これだけで、MVTecADデータセット（製造業向けベンチマーク）を使ってPatchcoreモデルの学習が完了する。学習後のモデルで推論するには以下を追加する。

# 推論（テストデータで評価）
engine.test(datamodule=MVTecAD(), model=Patchcore())

# 単一画像の予測
predictions = engine.predict(
    model=Patchcore(),
    data_path="path/to/image.png"
)

CLIで実行（コードなし）

Pythonコードを書かずに、コマンドラインだけでも実行できる。

# モデル学習
anomalib train --model Patchcore --data anomalib.data.MVTecAD

# 推論
anomalib predict --model anomalib.models.Patchcore \
                 --data anomalib.data.MVTecAD

# ベンチマーク（複数アルゴリズム比較）
anomalib benchmark --model Patchcore STFPM PaDiM \
                   --data anomalib.data.MVTecAD

主要アルゴリズム — Patchcore・STFPM・PaDiMの選び方

anomalibは10以上の異常検知アルゴリズムを搭載している。代表的な3つの違いを整理する。

アルゴリズムの選び方フロー

各アルゴリズムの実行例

# Patchcore（精度最高）
from anomalib.models import Patchcore
engine.fit(datamodule=MVTecAD(), model=Patchcore())

# STFPM（高速・軽量）
from anomalib.models import Stfpm
engine.fit(datamodule=MVTecAD(), model=Stfpm())

# PaDiM（バランス型）
from anomalib.models import Padim
engine.fit(datamodule=MVTecAD(), model=Padim())

モデルを切り替えるのはimport文を変えるだけ。APIが統一されているため、アルゴリズムの比較実験が容易だ。

Anomalib Studio — ノーコードで異常検知

anomalibにはWebベースのGUIツール「Anomalib Studio」が搭載されている。コードを一切書かずに、ブラウザ上でモデルの学習・推論・デプロイが可能だ。

Studioの起動

# Dockerで起動（推奨）
docker pull ghcr.io/openvinotoolkit/anomalib/studio:latest
docker run -p 8080:8080 ghcr.io/openvinotoolkit/anomalib/studio:latest

# ブラウザで http://localhost:8080 にアクセス

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だけで異常検知システムを構築できる。USBカメラをPCに接続し、Studioで正常品を数十枚撮影して学習すれば、リアルタイムの外観検査システムが動き出す。

OpenVINOデプロイ — CPUだけで高速推論

anomalibの大きな強みが、Intel OpenVINO形式へのエクスポートだ。GPUがなくても、CPUだけで高速な推論が可能になる。

エクスポート手順

from anomalib.deploy import ExportMode

# OpenVINO IR形式にエクスポート
engine.export(
    model=Patchcore(),
    export_mode=ExportMode.OPENVINO
)

# CLIでエクスポート
anomalib export --model Patchcore --export_mode openvino

OpenVINOで推論

from anomalib.deploy import OpenVINOInferencer

# OpenVINOモデルの読み込み
inferencer = OpenVINOInferencer(
    path="results/patchcore/mvtec/bottle/weights/openvino/model.bin",
    metadata="results/patchcore/mvtec/bottle/weights/openvino/metadata.json"
)

# 推論
prediction = inferencer.predict(image="path/to/test_image.png")
print(f"異常スコア: {prediction.pred_score:.4f}")
print(f"異常判定: {'異常' if prediction.pred_label else '正常'}")

パフォーマンス比較

OpenVINO + INT8量子化で、GPU並みの速度をCPUだけで実現できる。工場のエッジPCにGPUを搭載する必要がなくなるため、導入コストが大幅に下がる。

活用事例 — 製造業からセキュリティまで

anomalibは幅広い分野で活用されている。

自社データでの学習例

MVTecADではなく、自社の画像データで学習する場合の手順。

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

# 自社データの読み込み
# normal/ に正常画像、abnormal/ に異常画像を配置
datamodule = Folder(
    name="my_product",
    root="data/my_product",
    normal_dir="normal",        # 正常画像フォルダ
    abnormal_dir="abnormal",    # 異常画像フォルダ（なくてもOK）
    image_size=(256, 256),
)

engine = Engine()
engine.fit(datamodule=datamodule, model=Patchcore())

# 新しい画像で推論
predictions = engine.predict(
    model=Patchcore(),
    data_path="data/my_product/test/"
)

ハイパーパラメータ最適化 — Weights & BiasesとComet.mlで自動チューニング

anomalibにはハイパーパラメータ最適化（HPO）機能が組み込まれている。Weights & Biases（W&B）やComet.mlと連携し、最適なパラメータを自動探索できる。

W&Bでのスイープ実行

# W&Bのスイープ設定
anomalib train --model Patchcore \
               --data anomalib.data.MVTecAD \
               --trainer.logger wandb \
               --trainer.callbacks anomalib.callbacks.SweepCallback

調整可能なパラメータ例

backboneの選択が精度に最も影響する。wide_resnet50_2はPatchcoreのデフォルトで精度が高いが、推論が重い。エッジデバイス向けならresnet18に切り替えると推論速度が3倍以上になる。精度とのトレードオフを自動探索で見つけるのがHPOの役割だ。

実験ログの管理

from anomalib.engine import Engine
from pytorch_lightning.loggers import WandbLogger

# W&Bロガーを設定
logger = WandbLogger(project="anomalib-experiment")
engine = Engine(logger=logger)
engine.fit(datamodule=MVTecAD(), model=Patchcore())

TensorBoard、W&B、Comet.mlの3つのロガーに対応しており、学習曲線・異常スコアの分布・推論結果のビジュアライゼーションをリアルタイムで確認できる。

ベンチマーク — 複数アルゴリズムの一括比較

anomalibのベンチマーク機能を使えば、複数のアルゴリズムを同一データセットで一括比較できる。

CLIでベンチマーク実行

# Patchcore, STFPM, PaDiMを一括比較
anomalib benchmark --model Patchcore STFPM PaDiM \
                   --data anomalib.data.MVTecAD \
                   --output results/benchmark/

MVTecADでの代表的なスコア（参考値）

カスタムデータセットの構成ルール

自社データでanomalibを使う際のディレクトリ構成ルールを整理する。

基本構成

data/my_product/
├── train/
│   └── normal/          # 正常画像（学習用）50枚以上推奨
│       ├── img_001.png
│       ├── img_002.png
│       └── ...
├── test/
│   ├── normal/          # 正常画像（テスト用）
│   │   ├── img_101.png
│   │   └── ...
│   └── abnormal/        # 異常画像（テスト用・オプション）
│       ├── img_201.png
│       └── ...
└── ground_truth/        # アノテーション（オプション）
    └── abnormal/
        ├── img_201_mask.png   # 異常箇所のマスク画像
        └── ...

データ準備のコツ

前処理の設定

from anomalib.data import Folder

datamodule = Folder(
    name="my_product",
    root="data/my_product",
    normal_dir="train/normal",
    abnormal_dir="test/abnormal",
    normal_test_dir="test/normal",
    image_size=(256, 256),         # リサイズ先
    train_batch_size=32,           # バッチサイズ
    eval_batch_size=32,
    num_workers=8,                 # データ読み込み並列数
    transform=None,                # カスタム変換（Noneでデフォルト）
)

トラブルシューティング

anomalib導入時によくある問題と対処法。

anomalibの使い方を業務シナリオから逆引きする — 製造・監視・医療の意思決定マトリクス

「anomalibを試したいが、どのアルゴリズムから始めるべきか」は公式READMEだと判断しづらい。GitHubのIssueとMVTec ADベンチマーク値をもとに、業務シナリオから推奨アルゴリズムと運用設計を整理した。

ポイントは「学習枚数の調達難度」と「推論側ハードの制約」のクロス判定だ。たとえば工場のエッジ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・推論速度・精度のバランスで最も使われている。

Pythonコード3行で迷わないための実務テンプレ

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

# 業務シナリオ別の推奨アルゴリズムをそのまま差し替えられる
engine = Engine()
engine.fit(model=Patchcore(), datamodule=MVTecAD(category="bottle"))

このスニペットのPatchcore()をStfpm() / Padim() / Draem()に差し替えるだけで他アルゴリズムを試せる。意思決定の入り口は「学習データの枚数」と「推論側のCPU/GPU制約」の2軸でほぼ決まる。

他の異常検知ツールとの比較

画像ベースの異常検知ならanomalib一択。 テーブルデータ（数値・ログ）の異常検知にはPyODやscikit-learnのIsolation Forestが適している。

商用サービスとの比較

商用の外観検査AIサービスも存在する。anomalibとの使い分けを整理する。

「データを外部に出せない」製造業や防衛関連ではanomalibが唯一の選択肢になる。エッジPCで完結するため、ネットワーク接続なしで稼働する点も工場環境では重要だ。一方、セットアップの手間を最小化したい場合は商用サービスが向いている。

異常検知の限界と注意点

anomalibは強力だが、万能ではない。導入前に理解しておくべき限界がある。

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ポイントだ。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のが実用的だ。

本番環境への導入パターン — エッジからクラウドまで

anomalibを本番環境に導入する際の代表的な構成パターンを示す。

パターン1: エッジPC（工場ライン向け）

カメラ → エッジPC（OpenVINO推論） → 異常検出時にアラート

最もシンプルな構成。USBカメラ+Intel NUCのような小型PCで動作する。OpenVINO INT8量子化モデルなら15ms/枚で推論でき、ライン速度に追従する。

# エッジ推論のループ例
import cv2
from anomalib.deploy import OpenVINOInferencer

inferencer = OpenVINOInferencer(path="model.bin", metadata="metadata.json")
cap = cv2.VideoCapture(0)  # USBカメラ

while True:
    ret, frame = cap.read()
    if not ret:
        break
    prediction = inferencer.predict(image=frame)
    if prediction.pred_label:  # 異常検出
        print(f"異常検出！スコア: {prediction.pred_score:.4f}")
        # アラート送信、画像保存など

パターン2: バッチ処理（品質管理レポート向け）

撮影画像フォルダ → anomalib CLI → レポート出力

1日分の検査画像をまとめて処理し、レポートを生成するパターン。CLIのpredict機能でフォルダ単位の一括推論が可能。

# フォルダ内の全画像を一括推論
anomalib predict --model Patchcore \
                 --data_path data/daily_inspection/ \
                 --output results/2026-04-18/

パターン3: APIサーバー（マイクロサービス向け）

クライアント → REST API → anomalib推論 → JSON応答

FastAPIやFlaskと組み合わせてREST APIとして提供するパターン。複数ラインの検査結果をダッシュボードに集約する場合に適している。

from fastapi import FastAPI, UploadFile
from anomalib.deploy import OpenVINOInferencer
import io
from PIL import Image

app = FastAPI()
inferencer = OpenVINOInferencer(path="model.bin", metadata="metadata.json")

@app.post("/predict")
async def predict(file: UploadFile):
    image = Image.open(io.BytesIO(await file.read()))
    prediction = inferencer.predict(image=image)
    return {
        "score": float(prediction.pred_score),
        "is_anomalous": bool(prediction.pred_label),
    }

まとめ — anomalibで異常検知AIを始める3ステップ

1. 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推論が高速に動く。Anomalib Studioを使えば、コードなしでブラウザから操作することも可能だ。

異常検知AIは「不良品データが集まるまで待つ」必要がない。正常データだけで今日から始められる。AIエージェントフレームワークと組み合わせて検査ワークフローを自動化したり、GitHub ActionsでCI/CDパイプラインに異常検知を組み込むことも可能だ。

参照ソース

• openvinotoolkit/anomalib — GitHub
• Anomalib Documentation
• Defect Detection with Anomalib and OpenVINO — Intel
• Anomaly Detection with FiftyOne and Anomalib — Voxel51