Ces dernières années, de nombreuses études se sont penchées sur le problème de la détection d'anomalies jamais observées auparavant dans les vidéos. Cependant, la plupart des travaux ont été axés sur la détection de trames anormales dans les vidéos de surveillance provenant de caméras de sécurité. Parallèlement, la tâche de détection d'anomalies (AD) dans les vidéos montrant un comportement mécanique anormal a été largement négligée. La détection d'anomalies dans ce type de vidéos est d'intérêt tant académique que pratique, car elle pourrait permettre une détection automatique des dysfonctionnements dans divers contextes industriels, de maintenance et réels.Pour évaluer le potentiel des différentes approches pour détecter ces anomalies, nous avons testé deux méthodes basiques : (i) Techniques de détection d'anomalies temporellement regroupées à partir d'images. (ii) Estimation de densité des vidéos représentées par des caractéristiques pré-entraînées pour la classification vidéo.Le développement de telles méthodes nécessite l'établissement de nouveaux benchmarks afin de permettre l'évaluation des différentes approches possibles. Nous présentons le jeu de données Physical Anomalous Trajectory or Motion (PHANTOM), qui comprend six classes vidéo distinctes. Chaque classe contient des vidéos normales et anormales. Les classes varient en fonction des phénomènes présentés, de la variabilité au sein des classes normales et du type d'anomalies présentes dans les vidéos. Nous proposons également un benchmark encore plus difficile où les activités anormales doivent être repérées dans des scènes hautement variables.