从配置到部署Cosmos-AnomalyGen-Glass-2B在A100/H100上的最佳实践【免费下载链接】Cosmos-AnomalyGen-Glass-2B项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2BCosmos-AnomalyGen-Glass-2B是一款专为工业视觉检测设计的AI模型能够基于少量真实缺陷样本生成高质量的手机屏幕异常图像。本指南将详细介绍如何在NVIDIA A100/H100 GPU上快速配置并部署这一强大工具帮助制造业企业解决缺陷检测数据集稀缺的痛点。 模型核心功能与优势Cosmos-AnomalyGen-Glass-2B采用先进的扩散模型架构通过修复技术在干净的手机屏幕图像上生成三种特定类型的缺陷油渍oil、划痕scratch和污渍stain。该模型仅包含约290万可训练参数anomaly_embedding约79万参数2层MLP适配器约210万参数却能利用冻结的Cosmos-Predict2 2B文本到图像扩散主干网络生成高度逼真的异常图像。 核心优势少样本学习仅需每种缺陷类型5个样本即可完成微调高精度生成生成512×512分辨率的RGB异常图像细节丰富工业级兼容性支持与NVIDIA TAO Toolkit集成通过DAFT v3.0格式导出GPU优化针对A100/H100等NVIDIA GPU进行了专门优化实现高效推理 环境准备与安装硬件要求GPUNVIDIA A100或H100推荐RTX 6000也可兼容显存至少24GB推荐40GB以上以获得最佳性能CPU8核以上推荐Intel Xeon或AMD EPYC系列内存32GB以上存储至少100GB可用空间含模型和数据集软件环境操作系统Linux推荐Ubuntu 20.04/22.04 LTS驱动NVIDIA GPU驱动525.00以上CUDA11.7以上Python3.8-3.10PyTorch1.13.0以上快速安装步骤克隆仓库git clone https://gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2B cd Cosmos-AnomalyGen-Glass-2B创建虚拟环境python -m venv venv source venv/bin/activate安装依赖请参考官方文档获取完整依赖列表pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 pip install -r requirements.txt⚙️ 配置文件详解ag_config.yaml是模型训练和推理的核心配置文件包含关键参数设置。以下是主要配置项说明训练配置trainer: max_iter: 75000 # 最大训练迭代次数 logging_iter: 10 # 日志记录间隔 validation_iter: 1500 # 验证间隔 run_validation: True # 是否运行验证数据集配置dataloader_train: batch_size: 2 # 训练批次大小 dataset: dataset_dir: /path/to/dataset # 数据集路径 image_size: [512, 512] # 图像尺寸 anomaly_types: [[Phone, oil], [Phone, scratch], [Phone, stain]] # 支持的缺陷类型 data_augprob: 0.5 # 数据增强概率 aug_type: random_ratio_crop # 增强类型模型配置model: config: ag_config: ad_precision: float32 # 精度设置 t5_model_name: checkpoints/google-t5/t5-large # T5文本编码器路径 mask_encoder: encoder_config: init_cfg: checkpoint: checkpoints/NVDINOV2/nv_dinov2_classification_model.ckpt # 掩码编码器路径⚠️ 注意配置文件中的路径需要根据实际环境进行修改特别是数据集和预训练模型的路径。 模型部署与推理准备输入数据Cosmos-AnomalyGen-Glass-2B需要三种输入干净图像PNG/JPG格式的手机屏幕图像RGB二进制掩码PNG/JPG格式的单通道图像0背景255异常区域文本描述指定缺陷类型格式为textureanomaly_type如Phoneoil确保输入图像和掩码具有相同的尺寸512×512掩码应覆盖连续的缺陷区域。单GPU推理python scripts/anomaly_gen/synthetic_dataset_generation.py \ --config ag_config.yaml \ --checkpoint iter_000009000.pt \ --input_jsonl testcase.jsonl \ --output_dir ./output \ --num_generated_images 10 \ --device cuda:0多GPU推理推荐A100/H100torchrun --nproc_per_node2 scripts/anomaly_gen/synthetic_dataset_generation.py \ --config ag_config.yaml \ --checkpoint iter_000009000.pt \ --input_jsonl testcase.jsonl \ --output_dir ./output \ --num_generated_images 100 \ --use_fsdp True推理参数说明参数说明推荐值num_generated_images每个测试用例生成的图像数量10-100guidance_scale引导尺度值越高生成越接近目标7.5-10num_inference_steps推理步数50-100crop_and_paste是否将生成区域粘贴回原图Truepoisson_blending是否使用泊松融合False输出说明推理完成后输出目录将包含生成的异常图像PNG格式SDG_result.csv包含生成元数据引导值、裁剪比例、种子等logs/推理日志文件 性能优化技巧A100/H100专属优化启用FP16/FP8精度# 在推理命令中添加 --precision fp16可减少显存占用约50%推理速度提升30-40%利用Tensor Cores确保使用PyTorch 1.13自动利用A100/H100的Tensor Cores加速矩阵运算设置合适的批次大小A100 (40GB)推荐batch_size4-8H100 (80GB)推荐batch_size8-16推理速度对比设备单张图像推理时间每秒生成图像数A100~0.8秒~1.25H100~0.4秒~2.5RTX 6000~1.5秒~0.67 质量控制与评估生成高质量的合成数据对于下游缺陷检测模型的训练至关重要。以下是确保生成数据质量的关键步骤自动质量过滤使用内置的质量过滤工具去除低质量生成结果python scripts/anomaly_gen/filter.py \ --input_dir ./output \ --output_dir ./filtered_output \ --threshold 0.75该工具使用生成式图像质量评估G-IQA模型对输出进行评分仅保留得分高于阈值的样本。关键评估指标FIDFréchet Inception Distance衡量生成图像与真实图像分布的相似度值越低越好理想10NN分数最近邻相似度分数值越高越好理想0.8MNN分数平均最近邻相似度分数值越高越好理想0.75这些指标会在训练过程中通过验证回调自动记录。 下游应用与集成与TAO Toolkit集成生成的数据集可通过DAFT v3.0格式导出用于训练TAO Toolkit中的缺陷检测模型python scripts/anomaly_gen/convert_to_daft_format.py \ --input_dir ./filtered_output \ --output_dir ./daft_dataset \ --dataset_name phone_screen_anomalies数据集结构导出的DAFT数据集结构如下daft_dataset/ ├── images/ # 生成的异常图像 ├── masks/ # 对应的掩码文件 ├── annotations.json # 标注信息 └── dataset_info.json # 数据集元信息❗ 注意事项与限制缺陷类型限制当前模型仅支持三种缺陷类型oil、scratch和stain图像分辨率模型在512×512分辨率下训练建议使用相同分辨率进行推理掩码质量掩码应覆盖合理的缺陷区域建议使用Automatic Mask Placement (AMP)工具辅助生成真实数据验证使用合成数据训练的下游模型在部署前必须用真实缺陷数据进行验证 许可证信息Cosmos-AnomalyGen-Glass-2B的使用受NVIDIA Open Model Agreement管辖。该模型可用于商业用途但需遵守许可证中的相关条款。 总结Cosmos-AnomalyGen-Glass-2B为手机屏幕缺陷检测提供了强大的合成数据生成解决方案特别适合样本稀缺的工业场景。通过本指南的配置和优化建议您可以在A100/H100 GPU上高效部署该模型快速生成高质量的异常图像数据集从而提升下游缺陷检测模型的性能。无论是制造业的质量检测团队还是AI研究人员都能从这一工具中受益加速工业视觉检测系统的开发和部署。【免费下载链接】Cosmos-AnomalyGen-Glass-2B项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
从配置到部署Cosmos-AnomalyGen-Glass-2B在A100/H100上的最佳实践【免费下载链接】Cosmos-AnomalyGen-Glass-2B项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2BCosmos-AnomalyGen-Glass-2B是一款专为工业视觉检测设计的AI模型能够基于少量真实缺陷样本生成高质量的手机屏幕异常图像。本指南将详细介绍如何在NVIDIA A100/H100 GPU上快速配置并部署这一强大工具帮助制造业企业解决缺陷检测数据集稀缺的痛点。 模型核心功能与优势Cosmos-AnomalyGen-Glass-2B采用先进的扩散模型架构通过修复技术在干净的手机屏幕图像上生成三种特定类型的缺陷油渍oil、划痕scratch和污渍stain。该模型仅包含约290万可训练参数anomaly_embedding约79万参数2层MLP适配器约210万参数却能利用冻结的Cosmos-Predict2 2B文本到图像扩散主干网络生成高度逼真的异常图像。 核心优势少样本学习仅需每种缺陷类型5个样本即可完成微调高精度生成生成512×512分辨率的RGB异常图像细节丰富工业级兼容性支持与NVIDIA TAO Toolkit集成通过DAFT v3.0格式导出GPU优化针对A100/H100等NVIDIA GPU进行了专门优化实现高效推理 环境准备与安装硬件要求GPUNVIDIA A100或H100推荐RTX 6000也可兼容显存至少24GB推荐40GB以上以获得最佳性能CPU8核以上推荐Intel Xeon或AMD EPYC系列内存32GB以上存储至少100GB可用空间含模型和数据集软件环境操作系统Linux推荐Ubuntu 20.04/22.04 LTS驱动NVIDIA GPU驱动525.00以上CUDA11.7以上Python3.8-3.10PyTorch1.13.0以上快速安装步骤克隆仓库git clone https://gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2B cd Cosmos-AnomalyGen-Glass-2B创建虚拟环境python -m venv venv source venv/bin/activate安装依赖请参考官方文档获取完整依赖列表pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 pip install -r requirements.txt⚙️ 配置文件详解ag_config.yaml是模型训练和推理的核心配置文件包含关键参数设置。以下是主要配置项说明训练配置trainer: max_iter: 75000 # 最大训练迭代次数 logging_iter: 10 # 日志记录间隔 validation_iter: 1500 # 验证间隔 run_validation: True # 是否运行验证数据集配置dataloader_train: batch_size: 2 # 训练批次大小 dataset: dataset_dir: /path/to/dataset # 数据集路径 image_size: [512, 512] # 图像尺寸 anomaly_types: [[Phone, oil], [Phone, scratch], [Phone, stain]] # 支持的缺陷类型 data_augprob: 0.5 # 数据增强概率 aug_type: random_ratio_crop # 增强类型模型配置model: config: ag_config: ad_precision: float32 # 精度设置 t5_model_name: checkpoints/google-t5/t5-large # T5文本编码器路径 mask_encoder: encoder_config: init_cfg: checkpoint: checkpoints/NVDINOV2/nv_dinov2_classification_model.ckpt # 掩码编码器路径⚠️ 注意配置文件中的路径需要根据实际环境进行修改特别是数据集和预训练模型的路径。 模型部署与推理准备输入数据Cosmos-AnomalyGen-Glass-2B需要三种输入干净图像PNG/JPG格式的手机屏幕图像RGB二进制掩码PNG/JPG格式的单通道图像0背景255异常区域文本描述指定缺陷类型格式为textureanomaly_type如Phoneoil确保输入图像和掩码具有相同的尺寸512×512掩码应覆盖连续的缺陷区域。单GPU推理python scripts/anomaly_gen/synthetic_dataset_generation.py \ --config ag_config.yaml \ --checkpoint iter_000009000.pt \ --input_jsonl testcase.jsonl \ --output_dir ./output \ --num_generated_images 10 \ --device cuda:0多GPU推理推荐A100/H100torchrun --nproc_per_node2 scripts/anomaly_gen/synthetic_dataset_generation.py \ --config ag_config.yaml \ --checkpoint iter_000009000.pt \ --input_jsonl testcase.jsonl \ --output_dir ./output \ --num_generated_images 100 \ --use_fsdp True推理参数说明参数说明推荐值num_generated_images每个测试用例生成的图像数量10-100guidance_scale引导尺度值越高生成越接近目标7.5-10num_inference_steps推理步数50-100crop_and_paste是否将生成区域粘贴回原图Truepoisson_blending是否使用泊松融合False输出说明推理完成后输出目录将包含生成的异常图像PNG格式SDG_result.csv包含生成元数据引导值、裁剪比例、种子等logs/推理日志文件 性能优化技巧A100/H100专属优化启用FP16/FP8精度# 在推理命令中添加 --precision fp16可减少显存占用约50%推理速度提升30-40%利用Tensor Cores确保使用PyTorch 1.13自动利用A100/H100的Tensor Cores加速矩阵运算设置合适的批次大小A100 (40GB)推荐batch_size4-8H100 (80GB)推荐batch_size8-16推理速度对比设备单张图像推理时间每秒生成图像数A100~0.8秒~1.25H100~0.4秒~2.5RTX 6000~1.5秒~0.67 质量控制与评估生成高质量的合成数据对于下游缺陷检测模型的训练至关重要。以下是确保生成数据质量的关键步骤自动质量过滤使用内置的质量过滤工具去除低质量生成结果python scripts/anomaly_gen/filter.py \ --input_dir ./output \ --output_dir ./filtered_output \ --threshold 0.75该工具使用生成式图像质量评估G-IQA模型对输出进行评分仅保留得分高于阈值的样本。关键评估指标FIDFréchet Inception Distance衡量生成图像与真实图像分布的相似度值越低越好理想10NN分数最近邻相似度分数值越高越好理想0.8MNN分数平均最近邻相似度分数值越高越好理想0.75这些指标会在训练过程中通过验证回调自动记录。 下游应用与集成与TAO Toolkit集成生成的数据集可通过DAFT v3.0格式导出用于训练TAO Toolkit中的缺陷检测模型python scripts/anomaly_gen/convert_to_daft_format.py \ --input_dir ./filtered_output \ --output_dir ./daft_dataset \ --dataset_name phone_screen_anomalies数据集结构导出的DAFT数据集结构如下daft_dataset/ ├── images/ # 生成的异常图像 ├── masks/ # 对应的掩码文件 ├── annotations.json # 标注信息 └── dataset_info.json # 数据集元信息❗ 注意事项与限制缺陷类型限制当前模型仅支持三种缺陷类型oil、scratch和stain图像分辨率模型在512×512分辨率下训练建议使用相同分辨率进行推理掩码质量掩码应覆盖合理的缺陷区域建议使用Automatic Mask Placement (AMP)工具辅助生成真实数据验证使用合成数据训练的下游模型在部署前必须用真实缺陷数据进行验证 许可证信息Cosmos-AnomalyGen-Glass-2B的使用受NVIDIA Open Model Agreement管辖。该模型可用于商业用途但需遵守许可证中的相关条款。 总结Cosmos-AnomalyGen-Glass-2B为手机屏幕缺陷检测提供了强大的合成数据生成解决方案特别适合样本稀缺的工业场景。通过本指南的配置和优化建议您可以在A100/H100 GPU上高效部署该模型快速生成高质量的异常图像数据集从而提升下游缺陷检测模型的性能。无论是制造业的质量检测团队还是AI研究人员都能从这一工具中受益加速工业视觉检测系统的开发和部署。【免费下载链接】Cosmos-AnomalyGen-Glass-2B项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Cosmos-AnomalyGen-Glass-2B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
