kkirchheim/pytorch-ood

👽 Out-of-Distribution Detection with PyTorch

해결하는 문제

딥러닝 모델은 훈련 세트와 크게 다른 데이터(분포 외 또는 OOD 데이터)를 접할 때 종종 조용히 실패합니다. 이 라이브러리는 모델이 그러한 '알 수 없는' 입력을 만날 때 이를 감지하는 표준화된 도구 키트를 제공하여 프로덕션 환경에서 신뢰할 수 없는 예측을 방지하는 데 도움을 줍니다.

작동 방식

이 라이브러리는 모델의 내부 상태(예: softmax 확률, 에너지 점수, 특징 활성화)를 분석하여 입력이 이상치일 가능성이 있는지 결정하는 다양한 학술 OOD 탐지 알고리즘을 구현합니다. 이러한 탐지기에 일관된 인터페이스를 제공하여 사용자가 서로 다른 방법을 전환하고, 표준 벤치마크에 대해 평가하고, 기존 PyTorch 워크플로우에 통합할 수 있습니다.

대상 사용자

이 프로젝트는 모델 견고성을 평가하고, 불확실성 추정을 구현하거나, 모델의 훈련 분포를 벗어나는 입력을 안전하게 거부할 수 있는 시스템을 구축해야 하는 머신러닝 연구자와 엔지니어를 위해 설계되었습니다.

주요 특징

  • 최첨단 OOD 탐지 알고리즘의 광범위한 컬렉션(예: Energy-Based, ODIN, Mahalanobis, ReAct, ViM).
  • OpenOOD와 같은 일반적인 OOD 벤치마크에 대한 내장 지원.
  • PyTorch Lightning 및 segmentation-models-pytorch와 같은 인기 있는 프레임워크와 호환됩니다.
  • 사전 훈련된 모델 가중치와 데이터 증대 및 사용자 정의 손실 함수를 위한 유틸리티가 포함되어 있습니다.
  • 다양한 탐지 전략을 평가하고 비교하기 위한 표준화된 API.

관련

  • 프로젝트
    facebookresearch/pytorchvideo

    PyTorchVideo는 PyTorch 기반 라이브러리로, 비디오 중심 데이터 로더, 변환, 사전 학습된 모델 모음(예: SlowFast, X3D, MViT)을 제공하여 비디오 이해 AI의 연구 및 개발을 지원합니다. 훈련과 빠른 추론을 간소화하고, 모바일 배포를 지원하며, Apache 2.0 라이선스로 오픈소스입니다.

  • 프로젝트
    yzhao062/pyod

    PyOD는 표 형식, 시계열, 그래프, 텍스트, 이미지, 오디오 데이터에 걸친 이상/이상치 탐지를 위한 포괄적인 Python 라이브러리입니다. 버전 3에는 에이전트 준비 오케스트레이션 코어(ADEngine)와 자연어 스킬이 추가되어 LLM 에이전트가 탐지 워크플로를 자동으로 실행할 수 있습니다. 기존의 `fit`/`predict` API는 유지되며, 패키지에는 61개의 탐지기, 벤치마크 기반 모델 라우팅, 선택적 MCP/Claude-Code 통합이 포함되어 있습니다.

  • 프로젝트
    marcellodebernardi/loss-landscapes

    `loss‑landscapes`는 모델의 파라미터 공간의 저차원 슬라이스에서 스칼라 메트릭(손실, 기울기 노름, 곡률, 기대 수익 등)을 샘플링하여 손실면 시각화를 쉽게 만드는 PyTorch 라이브러리입니다. 유연한 `Metric` 추상화, 부분공간 생성기(선, 평면 등), 그리고 표준 모델과 RL 에이전트 모두를 지원하는 `ModelWrapper`를 제공합니다. 원래 2019년 릴리스는 손상되어 있으며, API가 변경될 수 있으므로 현재 재작성이 진행 중입니다.

  • 프로젝트
    pytorch/benchmark

    PyTorch Benchmarks 는 BERT, ResNet, Stable Diffusion 등 인기 있는 딥러닝 모델의 표준화되고 가벼운 버전 모음으로, 다양한 PyTorch 빌드, CUDA 버전, 백엔드의 성능을 측정하기 위해 실행할 수 있습니다. 일관된 API, 설치 스크립트, 여러 러너(간단한 테스트, pytest-benchmark, 사용자 정의 사용자 벤치마크)와 함께 AWS g4dn.metal 인스턴스에서 낮은 노이즈 튜닝을 위한 유틸리티도 제공합니다.

  • 프로젝트
    meta-pytorch/captum

    Captum은 개발자와 연구자가 어떤 입력, 뉴런 또는 학습 예시가 모델의 예측을 유도하는지 이해할 수 있도록 돕는 PyTorch 라이브러리입니다. Integrated Gradients, DeepLift, Gradient Shap, SmoothGrad, TCAV, TracIn, 뉴런/레이어 전도도(conductance) 등 다양한 모델 해석 가능성 알고리즘을 제공합니다. pip/conda를 통해 설치할 수 있으며, 모든 PyTorch 모델과 호환됩니다.