一、 代码结构

github链接：https://github.com/gathierry/FastFlow

# FastFlow 代码架构思维导图
## 1. 核心目标
- 无监督异常检测与定位（基于2D归一化流）
- 复现FastFlow论文，在MVTec-AD数据集验证性能

## 2. 整体架构
├── 数据处理模块
│   ├── dataset.py
│   │   ├── MVTecDataset类
│   │   │   ├── 加载MVTec-AD数据集（train/test）
│   │   │   ├── 图像预处理（Resize、Normalize、ToTensor）
│   │   │   ├── 异常标签/掩码生成（test集）
├── 模型核心模块
│   ├── fastflow.py
│   │   ├── 特征提取（Backbone）
│   │   │   ├── 支持ResNet18/WideResNet50/DeiT/CaiT
│   │   │   ├── 冻结Backbone参数（仅训练归一化流）
│   │   │   ├── LayerNorm归一化（ResNet系列）
│   │   ├── 2D归一化流（Normalizing Flows）
│   │   │   ├── subnet_conv_func：卷积子网络构造函数
│   │   │   ├── nf_fast_flow：构建AllInOneBlock流结构
│   │   │   ├── 多尺度特征流处理（对应Backbone不同输出层）
│   │   ├── 前向传播
│   │   │   ├── 训练模式：计算流的损失（MSE + 对数雅可比行列式）
│   │   │   ├── 测试模式：生成异常热力图（上采样+多尺度融合）
├── 训练/评估模块
│   ├── main.py
│   │   ├── 命令行参数解析（配置文件、数据集路径、类别等）
│   │   ├── 数据加载器构建（build_train/test_data_loader）
│   │   ├── 模型构建（build_model）
│   │   ├── 优化器构建（Adam）
│   │   ├── 训练逻辑（train_one_epoch）
│   │   │   ├── 单轮训练、损失回传、参数更新
│   │   │   ├── 损失监控（AverageMeter）
│   │   ├── 评估逻辑（eval_once）
│   │   │   ├── 计算AUROC指标（异常检测性能）
│   │   │   ├── 加载 checkpoint 验证
│   │   ├── 断点保存（checkpoint）
├── 配置模块
│   ├── configs/
│   │   ├── 不同Backbone配置文件（resnet18.yaml/deit.yaml等）
│   │   │   ├── input_size/flow_step/hidden_ratio等超参数
│   ├── constants.py
│   │   │   ├── 全局常量（数据集类别、Backbone列表、训练超参）
│   │   │   ├── 路径常量（CHECKPOINT_DIR）
├── 工具模块
│   ├── utils.py
│   │   ├── AverageMeter类：监控损失均值/当前值
├── 环境依赖
│   ├── requirements.txt：timm/FrEIA/torch等版本约束
├── 文档/许可
│   ├── README.md：安装/训练/性能说明
│   ├── LICENSE：Apache 2.0协议

二、数据集相关资源

1 MVTec数据集介绍

2 核心数据集（百度网盘）

2.1 MVTec AD 完整包，失效

• 链接：https://pan.baidu.com/s/1Jh55ufXZZpusg7Vhn4ZYdQ
• 提取码：tp22
• 说明：包含15个类别（bottle/cable等），提供像素级标注，训练集仅包含正常样本

2.2 MVTec AD 分卷版本，感觉不是

• 分卷1链接：https://pan.baidu.com/s/13H2EzxUqHwgqOlvCLg_mnQ
• 提取码：TxJ1
• 说明：数据集体积较大，采用分卷下载方式，下载后需解压合并

2.3 MVTec AD 备用链接，密码错误

• 链接：https://pan.baidu.com/s/1bAKoSG7VHE98JdHJPGJvcw
• 提取码：8g89
• 说明：适配Anomalib/PatchCore等主流异常检测框架

https://www.modelscope.cn/datasets/OpenDataLab/MVTecAD/files

3 配套项目代码资源

3.1 Anomalib（PyTorch框架）

• GitHub仓库：链接1（open-edge-platform/anomalib）
• 功能特点：
  • 集成PatchCore、SPADE等SOTA异常检测算法
  • 支持MVTec AD数据集全流程训练与推理
  • 提供ONNX模型部署脚本
• 预训练权重：
  • 百度网盘链接：https://pan.baidu.com/s/1ZzGwCSFLbr_sCiN1ZLGdzw
  • 提取码：1234

3.2 PatchCore 复现代码

• 代码+模型资源：https://pan.baidu.com/s/1sARkEgcWt4tpatAqGLXWEA
• 提取码：6eu6
• 功能特点：
  • 专为MVTec AD数据集优化适配
  • 包含完整训练脚本与推理demo
  • 支持CUDA加速推理
  • 可直接运行predict.py进行预测

3.3 FastFlow-Paddle（百度飞桨版本）

• GitHub仓库：链接2
• 预训练权重：
  • 百度网盘链接：https://pan.baidu.com/s/1mSwGbeieyKQcj8JAWNQ92g
  • 提取码：yyds
• 功能特点：基于无监督学习的异常检测方法，提供完整的PaddlePaddle推理部署方案

4 快速使用指南

4.1 数据准备步骤

1. 下载MVTec AD数据集并完成解压
2. 按照标准目录结构组织数据：train/test/ground_truth

4.2 环境安装

pip install anomalib torchvision opencv-python

4.3 模型训练示例（Anomalib）

python tools/train.py --config configs/patchcore/mvtec.yaml --data_path /path/to/mvtec

4.4 模型推理示例

python tools/inference.py --model_path weights/patchcore.pth --image_path test_img.png

5 补充说明

5.1 数据集结构规范

• 每个类别包含三个关键文件夹：
  • train：仅包含正常样本
  • test：包含正常样本和异常样本
  • ground_truth：提供异常区域的像素级标注

5.2 框架选择建议

• Anomalib：适合快速验证多种SOTA算法性能
• PatchCore：适用于对召回率要求较高的工业场景
• FastFlow：适合无监督学习场景的部署需求

5.3 资源更新说明

• 数据集结构：每个类别含train（正常）、test（正常+异常）、ground_truth（异常标注）文件夹。
• 代码适配：Anomalib适合快速验证SOTA算法，PatchCore适合高召回率场景，FastFlow适合无监督部署。
• 若链接失效，优先访问GitHub/Gitee搜索“MVTec AD 异常检测”获取最新资源。

三、环境配置

使用docker部署环境，方便复现

四、编写推理程序，绘制热力图