STFPM异常检测模型，检测结果不佳且与评估指标不一致

[bittergourd1224]

教程 https://paddlepaddle.github.io/PaddleX/latest/module_usage/tutorials/cv_modules/anomaly_detection.html 提供的模型以及训练集，都属于MVTec_AD中的grid这类数据，这个测试下来没有问题

又下载了MVTec_AD中的metal_nut这类数据，重新训练后，评估的指标很高：

[2025/02/12 14:06:43] INFO: Start evaluating (total_samples: 93, total_iters: 93)...
93/93 [==============================] - 1s 16ms/step - batch_cost: 0.0155 - reader cost: 4.9394e-04
[2025/02/12 14:06:44] INFO: [EVAL] #Images: 93 mIoU: 0.9999 Acc: 1.0000 Kappa: 0.0000 Dice: 0.9999
[2025/02/12 14:06:44] INFO: [EVAL] Class IoU: 
[0.9999]
[2025/02/12 14:06:44] INFO: [EVAL] Class Precision: 
[1.]
[2025/02/12 14:06:44] INFO: [EVAL] Class Recall: 
[0.9999]

但是在验证集上推理，很多都没有识别出异常。下面分别是验证集的原图，GroundTruth和推理结果：

请求帮忙复现一下看看目前STFPM模型在metal_nut数据上的训练和推理效果，是不是与我的结果一致

[Sunting78]

您好，可以根据这个教程看一下 https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/practical_tutorials/anomaly_detection_tutorial.md 比如训练轮次的这些参数可能需要调整，另外由于无监督训练过程中只有正常图像，如果指标达到很高，目前也只能说明在正常图像上表现效果比较好。参考上面的教程调整下训练，如果依然有问题，请您发下具体的执行命令，以及整理的metal_nut训练数据集给我。谢谢

[bittergourd1224]

@Sunting78
修改迭代次数从10000到5000，学习率从0.4到0.1，重新训练以后，效果确实好了很多

和GroundTruth比较接近了，谢谢解答

但是在评估指标上我还是有疑问。
首先指标显示是在93张验证集上计算的，这些验证集都是异常图片并且有GroundTruth，所以指标越高应该意味着越符合GroundTruth。
但这次训练下来的指标如下，还不如之前训的效果不佳的模型

[2025/02/13 11:56:05] INFO: [EVAL] #Images: 93 mIoU: 0.9883 Acc: 1.0000 Kappa: 0.0000 Dice: 0.9941
[2025/02/13 11:56:05] INFO: [EVAL] Class IoU:
[0.9883]
[2025/02/13 11:56:05] INFO: [EVAL] Class Precision:
[1.]
[2025/02/13 11:56:05] INFO: [EVAL] Class Recall:
[0.9883]

怀疑是不是代码里的指标计算有问题？