anomalibとは｜Intel発の異常検知AI・32モデルの選び方と使い方をv2.6.0で解説

製造ラインで「この部品、微妙に傷がついていないか？」を人の目で1つずつ確かめる作業は、2026年になっても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。

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｜LangGraph・CrewAI・Dify等9種をStar数・実コードで検証 も参考になる。

anomalibとは — 正常データだけで学習する異常検知ライブラリ

anomalibは、Intel系の open-edge-platform チーム（旧OpenVINOチーム）が開発する異常検知（Anomaly Detection）ライブラリだ。学術論文の画像・動画向けアルゴリズムを「すぐ使える実装」として集め、ベンチマーク・開発・デプロイまでを1つのAPIで扱える。

下の画像が、anomalibが出す「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、予測した異常領域、元画像への重ね合わせ。どこがどれだけ異常かをピクセル単位で示す。

最大の特徴は「正常データだけで学習できる」点だ。製造業では不良品のデータを大量に集めるのが難しい。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ので、不良品のサンプルが1枚もなくてもモデルを組める。

v2.5.0では 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）、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。

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。

# 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

ハードウェアに合わせて「extra」を付けると依存が最適化される。複数指定もでき、uv pip install "anomalib[openvino,cu130]" ならOpenVINO推論とCUDA学習を両立できる。

公式READMEどおりの最小コードで学習と推論が走る。製造業向けベンチマークの MVTecAD（ボトル・ケーブル・カプセルなど15カテゴリ）は初回実行時に自動ダウンロードされるので、データ準備は要らない。

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

Patchcore() を Stfpm() や Padim() に差し替えるだけで別アルゴリズムに切り替わる。比較実験のコストが低いのが設計思想だ。Pythonを書かずにCLI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

Patchcore・STFPM・PaDiMの選び方 — 32モデルから何を選ぶか

リポジトリの src/anomalib/models/ を数えると、画像向け30種・動画向け2種の計32種が実装されている（2026年7月30日時点・README.md と __init__.py を除いた実ディレクトリ数）。手元の環境で一覧を出すには次を実行する。

python -c "import anomalib.models as m; print(len(m.__all__)); print(sorted(m.__all__))"

まずは定番の違いを押さえれば足りる。

v2.5.0の AnomalyVFM や anomalib[clip] の WinCLIP は、正常画像すら用意せずに動く「ゼロショット」モデルだ。汎用の視覚基盤モデルの知識を流用するため、データ収集がこれからの立ち上げ段階で使える。精度は専用学習した Patchcore 等に劣る。

32種を方式ごとに分けると次のとおり。論文名がそのままクラス名になっており、各モデルディレクトリの README.md に元論文へのリンクがある。

v2.6.0へのアップグレード — 追加された1モデルと、消えた4つのAPI

anomalibは2026年7月25日に lib/v2.6.0 をリリースした。直前の v2.5.1（7月17日）から8日で、機能追加と同時に非推奨APIの削除が入っている。

追加されたのは、VAND 4.0（CVPRワークショップの異常検知チャレンジ）の優勝手法 SuperADD（anomalib.models.image.super_add）と、自動車部品の外観検査用データセット AutoVI（anomalib.data）だ。

Kaputt datamodule の既定 category も all から book_other に変わった。カテゴリを明示していないスクリプトは、読み込むデータそのものが変わる。更新前に grep で当たりを付けられる。

grep -rnE "use_reference|reference_only|category=['\"]all['\"]|num_thresholds|resolve_with_warning" . --include="*.py" --include="*.yaml"

v2.6.0 にはパストラバーサルの修正（PR #3686）と、Dependabot アラート解消のための torch 引き上げ（PR #3681）も含まれる。上の破壊的変更に当たらない環境は上げてよい。

Anomalib StudioとOpenVINOデプロイ — コードなしの検査とCPU推論

Anomalib Studio は、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ノーコード/ローコードのWebアプリだ。

画像フォルダのアップロードとUSBカメラ・IPカメラの接続に対応し、Patchcore/STFPM/PaDiM 等をUIで選んで「Train model」で学習する。Anomaly Map のトグルでヒートマップを表示し、推論デバイス（CPU/GPU）はプルダウンで切り替える。結果はROSメッセージ・MQTT等で製造ラインへ送れる。配布は Dockerコンテナ版 と スタンドアロン版。開発ビルドはバックエンド（uv sync）とフロントエンド（npm install）を起動して http://localhost:3000 を開く。ソースはリポジトリの application/ 配下にある。

本番では OpenVINO 形式への書き出しが効く。CLIなら anomalib export、Python APIなら engine.export() で IR（中間表現）を生成し、推論には OpenVINOInferencer を使う。GPUのないエッジPCで検査が回り、ネットワークなしでも動くので、データを外に出せない工場・防衛関連で利点になる。

上表は相対的な傾向で、公式は絶対的な推論時間を保証していない。モデル・画像サイズ・CPU世代・バッチサイズで変わるので、導入前に自環境で計測する。配置先は、カメラ→エッジPC→アラートのエッジPC型、1日分をフォルダ単位で推論するバッチ処理型、FastAPI等で複数ラインを集約するAPIサーバー型の3つにおおむね集約される。

自社データでの活用と、導入前に知るべき限界

MVTecADで動いたら自社データだ。Folder データモジュールに次の構成で画像を置けば学習できる。異常画像フォルダは省略でき、正常画像だけでも学習が始められる。

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）

正常画像は最低50枚、理想は200〜500枚。照明・角度・背景のバリエーションを含め、本番と同じ条件で撮るのが最も効く。画像サイズは自動リサイズされる。異常画像があれば精度評価（AUROC）に使え、ground_truth は「どこが異常か」のピクセル評価にだけ要る。

用途別の始め方の目安は次のとおり（検出率は一般的な傾向で、実測は自データで確かめる）。

工場のエッジPCなら、PatchcoreをOpenVINO INT8で量子化する組み合わせがコスト・速度・精度の釣り合いで現実的だ。チューニングはハイパーパラメータ最適化（HPO）が内蔵され、anomalib hpo --backend WANDB --sweep_config tools/hpo/configs/wandb.yaml の形で W&B や Comet.ml と連携して探索できる。手で触るなら最も効くのは backbone で、wide_resnet50_2 は精度が高く重い、resnet18 は軽いが精度が下がる。Patchcore では coreset_sampling_ratio（0.01〜0.1）と num_neighbors（3〜15）、入力の image_size（224 / 256 / 384）も効く。

画像の異常検知で他のライブラリと比べると、守備範囲がはっきり分かれる。

数値・ログのようなテーブルデータならPyODやscikit-learnのIsolation Forestが向く。クラウド型の商用検査AIと比べると、anomalibは無料でデータが自社に残る代わりに、Python の知識とセットアップの手間が要る。

異常検知AIは検査員を置き換えるものではなく、見落としを補うものとして入れるのが安定する。最終判断は人が行い、AIは「ここが怪しい」と知らせる役に徹する。

画像をAIに「解釈」させる方向では DeepEyesV2を徹底解説｜コード実行×ウェブ検索×画像理解を統合するエージェント型マルチモーダルAI が詳しい。anomalibが「正常からの逸脱」を測るのに対し、あちらは画像の内容を言語で説明させる。画面の見た目を機械に判定させる点では ProofShot徹底解説｜AIが書いたUIを動画で自動検証するCLIツールの使い方 も同じ系譜で、外観検査とUIの回帰検証は「正解画像との差分をどう定義するか」という課題を共有している。

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