【YOLOv11】070、YOLOv11异常检测：正常数据训练下的异常目标识别

一、从产线误报说起

上周产线上有个诡异问题：部署的YOLOv11模型把传送带上的一团反光胶带识别成了“缺陷品”，直接触发急停，整线停了半小时。实际上那根本不是缺陷，只是光照角度造成的反光。现场工程师挠头：“训练集里明明没有这种反光样本，模型怎么自己‘脑补’出缺陷了？”

这个问题恰恰引出了今天要讨论的核心——如何在只使用正常数据训练的情况下，让模型识别出异常目标。传统监督学习需要正负样本，但实际工业场景中，异常样本稀少、难以收集，甚至有些异常形态根本未知。这时候，异常检测（Anomaly Detection）就得换个思路：让模型学会“正常”长什么样，凡是偏离正常的，都算异常。

二、YOLOv11做异常检测的底层逻辑

YOLOv11本身是个目标检测模型，输出的是边界框和类别。直接拿它做异常检测，听起来有点跨界，但思路可以这么走：

1. 正常数据训练：只用正常样本（比如无缺陷产品图片）训练YOLOv11，让它对“正常”的特征分布形成记忆。
2. 特征空间构建：在模型中间层（通常是Backbone末端或Neck层）提取特征向量，这些向量构成了“正常特征空间”。
3. 异常度量：推理时，计算新样本特征与正常特征空间的偏离程度，偏离大的就判为异常。
4. 输出改造：不直接输出类别，而是输出“异常分数”或“异常区域”。