La capacité à détecter les pièces défectueuses constitue un élément fondamental dans la fabrication industrielle à grande échelle. Un défi particulier que nous abordons dans ce travail est le problème du démarrage froid : ajuster un modèle à l’aide uniquement d’images exemplaires normales (non défectueuses). Bien qu’il soit possible de concevoir des solutions spécifiques à chaque classe, l’objectif est de développer des systèmes capables de fonctionner efficacement de manière automatique sur de nombreuses tâches différentes simultanément. Les approches les plus performantes combinent des embeddings issus de modèles ImageNet avec un modèle de détection d’anomalies. Dans cet article, nous poursuivons cette ligne de recherche et proposons \textbf{PatchCore}, qui utilise une mémoire optimisée, maximisant la représentativité des caractéristiques de patch normaux. PatchCore offre des temps d’inférence compétitifs tout en atteignant des performances de pointe pour la détection et la localisation des anomalies. Sur le défi MVTec AD, largement utilisé et particulièrement exigeant, PatchCore obtient un score AUROC de détection d’anomalies au niveau image atteignant jusqu’à $99,6\%$99,6%, réduisant ainsi de plus de la moitié l’erreur par rapport au meilleur concurrent précédent. Nous rapportons également des résultats compétitifs sur deux autres jeux de données, ainsi que des performances prometteuses dans le régime à faible nombre d’échantillons. \freefootnote{$^*$∗ Travail réalisé lors d’un stage de recherche chez Amazon AWS.} Code : github.com/amazon-research/patchcore-inspection.