Bien que les méthodes actuelles de détection d’anomalies dans les images obtiennent des résultats remarquables, elles reposent principalement sur un paradigme d’apprentissage hors ligne nécessitant une collecte préalable importante des données, ce qui limite leur adaptabilité dans des scénarios industriels caractérisés par des flux de données en temps réel. Les méthodes de détection d’anomalies basées sur l’apprentissage en ligne sont quant à elles mieux adaptées aux données en flux continu en environnement industriel, mais restent largement sous-estimées. Pour la première fois, ce papier présente une méthode complète d’apprentissage en ligne pour la détection d’anomalies dans les images, nommée LeMO (Learning Memory for Online image anomaly detection). LeMO exploite une mémoire apprenable initialisée à partir de bruit aléatoire orthogonal, éliminant ainsi le besoin de grandes quantités de données pour l’initialisation de la mémoire et contournant les inefficacités liées à la collecte hors ligne des données. En outre, une fonction de perte fondée sur l’apprentissage contrastif est conçue pour permettre une optimisation conjointe en ligne de la mémoire et des caractéristiques ciblées sur les images. La méthode proposée est simple et hautement efficace. Des expériences étendues démontrent la supériorité de LeMO dans un cadre en ligne. En outre, dans un cadre hors ligne, LeMO se montre également compétitive par rapport aux méthodes de pointe actuelles et obtient de très bons résultats dans des scénarios à faible nombre d’exemples (few-shot).