Die Fähigkeit, fehlerhafte Teile zu erkennen, ist eine entscheidende Komponente in der großskaligen industriellen Fertigung. Ein besonderer Herausforderung, die wir in dieser Arbeit angehen, ist das Cold-Start-Problem: das Training eines Modells ausschließlich anhand von nominalen (nicht-defekten) Beispielbildern. Obwohl handgefertigte Lösungen pro Klasse möglich sind, besteht das Ziel darin, Systeme zu entwickeln, die automatisch und gleichzeitig auf einer Vielzahl unterschiedlicher Aufgaben gut funktionieren. Die bisher besten Ansätze kombinieren Embeddings von ImageNet-Modellen mit einem Outlier-Detektionsmodell. In diesem Paper erweitern wir diese Forschungslinie und stellen \textbf{PatchCore} vor, das einen maximal repräsentativen Speicher an nominalen Patch-Features nutzt. PatchCore bietet wettbewerbsfähige Inferenzzeiten und erreicht state-of-the-art-Leistungen sowohl bei der Erkennung als auch bei der Lokalisierung von Anomalien. Auf der anspruchsvollen, weit verbreiteten MVTec AD-Benchmark-Datenbank erzielt PatchCore eine AUROC-Score für die Bildniveau-Anomalieerkennung von bis zu $99,6\%$99,6%, wodurch der Fehler gegenüber dem nächsten besten Konkurrenten mehr als halbiert wird. Wir berichten zudem über wettbewerbsfähige Ergebnisse auf zwei zusätzlichen Datensätzen und finden ebenfalls überzeugende Leistungen im Szenario mit wenigen Trainingsbeispielen. \freefootnote{$^*$∗ Arbeit während eines Forschungspraktikums bei Amazon AWS.} Code: github.com/amazon-research/patchcore-inspection.