La détection d’anomalies visuelles est couramment utilisée dans les contrôles qualité industriels. Dans cet article, nous présentons un nouveau jeu de données ainsi qu’une nouvelle méthode d’apprentissage auto-supervisé pour le pré-entraînement sur ImageNet, visant à améliorer la détection et la segmentation d’anomalies dans des configurations d’apprentissage à 1 classe, 2 classes, et avec des échantillons en faible (5/10) ou grand nombre (high-shot). Nous mettons à disposition le jeu de données Visual Anomaly (VisA), composé de 10 821 images couleur haute résolution (9 621 échantillons normaux et 1 200 anormaux), couvrant 12 objets répartis sur 3 domaines, ce qui en fait le plus grand jeu de données de détection d’anomalies industriel à ce jour. Des étiquettes au niveau image et au niveau pixel sont fournies. Nous proposons également un nouveau cadre d’apprentissage auto-supervisé, nommé SPot-the-difference (SPD), qui permet de régulariser les méthodes de pré-entraînement auto-supervisé par contraste, telles que SimSiam, MoCo et SimCLR, afin de les rendre plus adaptées aux tâches de détection d’anomalies. Nos expériences sur les jeux de données VisA et MVTec-AD montrent que SPD améliore de manière cohérente ces bases de pré-entraînement par contraste, voire même l’apprentissage supervisé. Par exemple, SPD améliore de 5,9 % et 6,8 % respectivement le score AUC-PR (aire sous la courbe précision-rappel) pour la segmentation d’anomalies par rapport à SimSiam et à l’apprentissage supervisé dans le cadre 2 classes avec grand nombre d’échantillons. Le projet est mis à disposition en open source à l’adresse http://github.com/amazon-research/spot-diff.