Dans le domaine des tâches pratiques de détection d'anomalies (AD), l'étiquetage manuel des pixels anormaux s'avère être une entreprise coûteuse. Par conséquent, de nombreuses méthodes AD sont conçues comme des classifieurs à une classe, adaptés à des ensembles d'entraînement entièrement exempts d'anomalies, garantissant ainsi une approche plus rentable. Bien que certains travaux pionniers aient montré une précision accrue de la détection d'anomalies en intégrant des échantillons réels d'anomalies dans l'entraînement, cette amélioration est accompagnée de processus d'étiquetage fastidieux et laborieux. Cet article trouve un équilibre entre la précision de la détection d'anomalies et les coûts d'étiquetage en introduisant ADClick, un nouvel algorithme de segmentation interactive d'image (IIS). ADClick génère efficacement des masques d'anomalie « ground-truth » pour des images réelles défectueuses, en exploitant des caractéristiques résiduelles innovantes et des invites linguistiques soigneusement élaborées. Il convient de noter qu'ADClick présente une capacité de généralisation nettement supérieure par rapport aux approches IIS existantes de pointe. En tant qu'outil d'étiquetage d'anomalies, ADClick génère des étiquettes d'anomalies de haute qualité (AP = 94,1 % sur MVTec AD) à partir de seulement 3 à 5 annotations manuelles par clic par image d'entraînement. De plus, nous étendons les capacités d'ADClick à ADClick-Seg, un modèle amélioré conçu pour la détection et la localisation des anomalies. En affinant le modèle ADClick-Seg à l'aide des étiquettes faibles inférées par ADClick, nous établissons les performances de pointe dans les tâches supervisées de détection d'anomalies (AP = 86,4 % sur MVTec AD et AP = 78,4 %, PRO = 98,6 % sur KSDD2).