GitHub 注目リポジトリ
open-edge-platform/anomalib
外観検査の異常検知
製造業★★★★★人気★★★☆☆★6,268PythonApache-2.0更新 2026年10月20日
An anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.
注目されている理由
異常検知のアルゴリズムに加えて、実験管理・ハイパーパラメータ最適化・エッジ推論までが1つに揃っています。更新も続いています。
製造業での使いどころ
良品の画像だけで学習する方式が中心のため、不良のサンプルが集まらない立ち上げ期の外観検査に向きます。OpenVINO向けの書き出しがあり、検査装置側で推論させる構成も取れます。
基本情報
| リポジトリ | open-edge-platform/anomalib |
|---|---|
| 主な言語 | Python |
| スター数 | 6,268 |
| ライセンス | Apache-2.0 |
| 最終更新 | 2026年10月20日 |
数字は2026年10月21日時点でGitHub Search API(製造業に関わる語での検索と週間トレンド)から取得した値です。ライセンスは掲載時点の表記のため、導入前に配布元で必ず確認してください。「製造業」の星は用途の近さとライセンス・導入のしやすさから編集部が付けた5段階、「人気」の星はスター数から機械的に決めた5段階です。
関連テーマ
関連する記事
-
外観検査AIとは?2つの学習方式と導入5ステップを製造現場の目線で解説
-
製造業のAI活用10領域:外観検査・予知保全から設計・技能伝承まで一覧
-
外観検査AI製品の比較軸10項目:学習方式・撮像系の範囲・エッジ対応・再学習の手間
-
自動車メーカーのAI活用:溶接・塗装検査から生産計画・フィジカルAIまで10用途
-
食品工場のAI活用:キユーピーの原料検査から需要予測・省人化まで5用途
-
良品学習と不良学習の違い:PatchCore・PaDiMの仕組みと使い分けの判断基準5つ
同じ一覧の他のリポジトリ
CONSULTATION
「AIで何ができるのか分からない」段階からご相談ください
AI導入テーマの選定、PoCの設計、データ基盤・MESとの連携、本番運用と人材育成まで。株式会社サオスの実務者が、貴社の現場とデータに合わせた進め方をご提案します。
AI導入の相談をする相談は無料です。特定製品の売り込みは行いません。