La détection des anomalies dans les images constitue une tâche cruciale, notamment dans les applications de vision par ordinateur en temps réel. Dans ce travail, nous nous concentrons sur l'efficacité computationnelle et proposons un extracteur de caractéristiques léger capable de traiter une image en moins d’un milliseconde sur une GPU moderne. Nous utilisons ensuite une approche élève-enseignant pour détecter les caractéristiques anormales. Nous entraînons un réseau élève à prédire les caractéristiques extraites à partir d’images normales, c’est-à-dire exemptes d’anomalies. La détection des anomalies au moment du test repose sur l’échec du réseau élève à prédire ces caractéristiques. Nous proposons une fonction de perte d’entraînement qui empêche l’élève de copier le comportement de l’extracteur de caractéristiques enseignant au-delà des images normales. Cette approche permet de réduire de manière significative le coût computationnel du modèle élève-enseignant, tout en améliorant la détection des caractéristiques anormales. Nous abordons également la détection d’anomalies logiques complexes, qui impliquent des combinaisons invalides de caractéristiques locales normales, par exemple un ordre incorrect d’objets. Ces anomalies sont détectées en intégrant efficacement un autoencodeur capable d’analyser les images de manière globale. Nous évaluons notre méthode, nommée EfficientAD, sur 32 jeux de données provenant de trois collections industrielles de détection d’anomalies. EfficientAD établit de nouvelles normes en matière à la fois de détection et de localisation des anomalies. Avec une latence de deux millisecondes et un débit de six cents images par seconde, elle permet un traitement rapide des anomalies. En combinant une faible erreur de détection à cette efficacité, elle se révèle être une solution économique pour les applications du monde réel et constitue une base prometteuse pour des recherches futures.