这是来自 Anomalib 的 STFPM 模型，针对 MVTec 数据集 的胶囊（capsule）类别进行了微调。该检查点使用以下 notebook 训练。

──────────────────────────────────────────────────
       Test metric             DataLoader 0
──────────────────────────────────────────────────
       image_AUROC          0.9541285037994385
      image_F1Score         0.9680365324020386
       pixel_AUROC          0.9857622385025024
      pixel_F1Score         0.4696350395679474
──────────────────────────────────────────────────

主要用途是在模型优化的示例和演示中使用。以下是该模型的优势：

• MVTec 数据集可以自动下载，且体积较小。
• 来自异常检测领域的 STFPM 模型对优化方法较为敏感，适合用于展示具有精度可控性的优化方法。

以下是测试该检查点的代码：

from pytorch_lightning import Trainer
from anomalib.config import get_configurable_parameters
from anomalib.data import get_datamodule
from anomalib.models import get_model
from anomalib.utils.callbacks import LoadModelCallback, get_callbacks

CHECKPOINT_URL = 'https://huggingface.co/alexsu52/stfpm_mvtec_capsule/resolve/main/pytorch_model.bin'
CHECKPOINT_PATH = '~/pytorch_model.bin'

#将 CHECKPOINT_URL 下载到 CHECKPOINT_PATH

config = get_configurable_parameters(config_path=\"./anomalib/models/stfpm/config.yaml\")
config[\"dataset\"][\"path\"] = <数据集路径>
config['dataset']['category'] = 'capsule'

datamodule = get_datamodule(config)
datamodule.setup()  # 如果数据集不在指定的 `root` 目录中，则会自动下载
datamodule.prepare_data()  # 创建训练/验证/测试/预测集

model = get_model(config)

callbacks = get_callbacks(config)
load_model_callback = LoadModelCallback(weights_path=CHECKPOINT_PATH)
callbacks.insert(0, load_model_callback)

trainer = Trainer(**config.trainer, callbacks=callbacks)
trainer.test(model=model, datamodule=datamodule)