Auskopplung aus der Fallstudie · Anomalieerkennung ohne Grafikkarte

Der ONNX-Export verliert das Antialiasing — und das kostet 22 AUROC-Punkte.

Wer ein anomalib-Modell samt Bildvorverarbeitung exportiert, bekommt im ausgelieferten Graphen eine Verkleinerung ohne Antialiasing. Das Modell lädt fehlerfrei, liefert plausible Werte, und nichts zeigt den Unterschied an. Gemessen kostet er 0,9956 → 0,7744, Differenz −0,2212 [−0,3042, −0,1434].

image-AUROC, korrekt: 0,9956
ohne Antialiasing: 0,7744
Differenz: −0,2212 [−0,3042, −0,1434]
Datensatz und Klasse: VisA, pipe_fryum · CPU, ohne Grafikkarte

Verfahren ONNX OpenVINO torchvision resize, antialias Bootstrap, 1000 Ziehungen, geschichtet

Warum der Fehler stumm bleibt.

Die fehlende Glättung erzeugt Treppenkanten, und diese Artefakte sehen für ein Verfahren, das Auffälligkeiten sucht, selbst wie Auffälligkeiten aus. Sie treffen deshalb die sauberen Bilder am härtesten: die Auffälligkeitswerte der fehlerfreien Aufnahmen steigen um 10,40, die der fehlerhaften nur um 2,77 — das 3,8-fache. Beide Verteilungen verschieben sich also, aber unterschiedlich weit, und schieben sich dabei übereinander. Wer nur auf die absoluten Werte schaut, sieht nichts Verdächtiges: sie liegen im gewohnten Bereich, die Reihenfolge innerhalb einer Charge bleibt oft sogar plausibel.

Verteilungen mit und ohne Antialiasing beim Export: die fehlerfreien Bilder verschieben sich um 10,40, die fehlerhaften nur um 2,77; der Auffälligkeitswert fällt von 0,9956 auf 0,7744, Differenz −0,2212 [−0,3042, −0,1434]. — **Wie wenig sich verschiebt — und was es kostet.** Beide Verteilungen wandern nach rechts, die fehlerfreie 3,8-mal weiter.

Was daran neu ist — und was nicht.

Die Ursache ist seit 2022 offen dokumentiert: pytorch#80033, torchvision#6806, pytorch#128818. Wir haben also keinen Fehler entdeckt. Neu ist die Bezifferung der Folge — mit Intervall, an einem öffentlichen Datensatz, in der Größenordnung, in der über Abnahme entschieden wird. Zwischen „bekanntes Verhalten“ und „22 Punkte Verlust im Betrieb“ liegt der Unterschied, ob jemand es prüft.

Reproduktion in vier Schritten

1 · ModellPatchCore auf VisA, Klasse pipe_fryum, WideResNet-50 (layer2+3), Coreset 0,10, ausschließlich fehlerfreie Trainingsbilder
2 · Zwei Exporteeinmal mit der Vorverarbeitung im Graphen, einmal mit der Verkleinerung außerhalb und ausdrücklich antialias=True
3 · Gleiche Bilderidentischer Testsplit durch beide Fassungen, image-AUROC je Fassung
4 · Intervall1000 geschichtete Ziehungen über die Testbilder, Perzentilgrenzen — sonst ist der Unterschied nicht von Rauschen zu trennen

Was wir seitdem anders machen

Die Vorverarbeitung bleibt außerhalb des ausgelieferten Graphen, und nach jedem Export läuft ein Vergleichslauf über dieselben Bilder. Erwartet wird eine Abweichung von 0,0000; alles andere ist ein Befund. Der Lauf kostet Minuten. Ohne ihn hätte niemand gemerkt, dass die schnelle Fassung die schlechtere ist — sie war 2,2- bis 2,4-mal schneller und lag 22 Punkte darunter.

Der vollständige Bericht mit Herleitung, verworfenen Ansätzen und Prüfpfad: Anomalieerkennung ohne Grafikkarte.

Datengrundlage: VisA (Visual Anomaly), Amazon Science, unter CC BY 4.0. Namensnennung ist Lizenzbedingung. Stand der Zahlen: 21. August 2026.