PatchCore — 昇腾 800I A2 NPU 工业异常检测

1. 简介

本项目将 PatchCore（Roth et al., CVPR 2022）从 GPU/CUDA 迁移至 华为昇腾 800I A2 NPU，在保持原论文精度水平的前提下，实现了纯 PyTorch + torch_npu 的原生 NPU 推理。

核心贡献是 BaihuNN——一个基于矩阵分解的两阶段最近邻搜索引擎，替代原版中依赖 CUDA 的 Faiss GPU。

功能特性：

✅ 端到端训练+推理，一键运行
✅ 自动环境检测（NPU/CPU/内存/显存）
✅ 参数自动调优
✅ 三档加速模式（normal / fast / turbo）
✅ 输出 ImgAUROC / PixAUROC / PRO / 端到端耗时

2. 环境要求

硬件

昇腾 800I A2（Atlas 800T A2）— 推荐
内存 ≥ 32 GB（推荐 64 GB）
磁盘 ≥ 50 GB（含 MVTec-AD 数据集 ~5 GB）

软件

组件	版本要求
Python	3.8 – 3.10
CANN	7.0.RC1+
PyTorch	≥ 1.9.0
torch_npu	≥ 2.1.0
timm	≥ 0.6.0

3. 快速开始

# 一键运行（自动检测 NPU，全 15 类）
python inference.py --data_dir datasets/mvtec_ad

更多用法参见 README.md。

4. 性能指标

指标	论文基线 (GPU)	本方案 (NPU)	偏差
Image AUROC 均值	0.990	0.9905	+0.0005
Pixel AUROC 均值	0.980	0.9812	+0.0012
端到端总耗时	—	1363.7 秒 (22.7 分钟)	—

5. 数据集

使用 MVTec-AD 数据集（15 个子类，约 5 GB），包含 4 类纹理 + 11 类物体缺陷检测场景。

6. 仓库地址

GitHub: https://github.com/quzhi_1981/Patchcore
GitCode: https://gitcode.com/quzhi_1981/Patchcore

7. 引用

@misc{roth2021total,
    title={Towards Total Recall in Industrial Anomaly Detection},
    author={Karsten Roth and Latha Pemula and Joaquin Zepeda
            and Bernhard Schölkopf and Thomas Brox and Peter Gehler},
    year={2021},
    eprint={2106.08265},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}