anomalib训练自己数据集

根据引用和引用中的信息，当使用有监督学习的方法训练金属材质表面缺陷检测模型时，由于工业数据中正样本较少且负样本比例失衡，可能会导致模型训练效果不佳。因此，可以考虑使用padim算法来训练自制工业数据集。在此过程中，需要修改配置文件config.yaml，按照官方教程、博客和自己数据集的路径进行配置和修改，以避免错误出现。

根据引用中的信息，当配置文件config.yaml中缺少一些属性时，可能会出现报错，如找不到"normalization"属性。此时，可以根据自己的自制数据集路径进行修改。需要注意的是，属性中的"normalization"可以设置为"imagenet"，表示使用Imagenet数据集的归一化方式。

综上所述，可以使用padim算法和自制工业数据集进行训练，通过修改配置文件来适配自己的数据集。<em>1</em><em>2</em><em>3</em>
#### 引用[.reference_title]
- *1* *2* *3* [使用Anomalib项目的padim无监督算法 进行自制工业缺陷数据集的模型训练和ONNX部署（一）——模型训练篇](https://blog.csdn.net/m0_57315535/article/details/131004027)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item]
[ .reference_list ]