.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: Écosystème PyOD :width: 84px

Python Outlier Detection (PyOD) 3

PyOD 3 : Détection d'anomalies agentique à grande échelle

|badge_website| |badge_pypi| |badge_anaconda| |badge_docs| |badge_stars| |badge_forks| |badge_downloads| |badge_testing| |badge_coverage| |badge_maintainability| |badge_license| |badge_benchmark|

.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: Site web

.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: Version PyPI

.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Version Anaconda

.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: État de la documentation

.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: Étoiles GitHub

.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: Forks GitHub

.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: Téléchargements

.. |badge_testing| image:: https://github.com/yzhao062/pyod/actions/workflows/testing.yml/badge.svg :target: https://github.com/yzhao062/pyod/actions/workflows/testing.yml :alt: Tests

.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: État de la couverture

.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Maintenabilité

.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: Licence

.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark

---

**PyOD est prêt pour les agents.** Claude Code et Codex peuvent utiliser la compétence ``od-expert`` pour piloter les investigations ADEngine, tandis que les agents compatibles MCP peuvent interroger les connaissances des détecteurs PyOD et les outils de planification. L'API classique ``fit``/``predict`` reste inchangée.

---

PyOD 3 est la bibliothèque Python la plus complète pour la détection d'anomalies. Quatre piliers :

=========================== ======================================================================================== Pilier Signification =========================== ======================================================================================== Multi-Modal 61 détecteurs couvrant les données tabellaires, séries temporelles, graphes, texte, image et audio, une seule API Cycle de vie complet Des données brutes aux anomalies expliquées et aux recommandations d'étapes suivantes en un seul appel Agentique od-expert transforme les requêtes en langage naturel en workflows ADEngine ; MCP expose des outils structurés pour d'autres agents Le plus utilisé 46+ millions de téléchargements ; routage basé sur des benchmarks (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

Installation ^^^^^^^^^^^^

Bibliothèque principale (requise pour chaque chemin d'activation) :

.. code-block:: bash

pip install pyod

Choisissez ensuite le chemin d'activation correspondant à votre stack d'agents :

.. code-block:: bash

# 1. Claude Code / Codex — active la compétence od-expert
pyod install skill              # Claude Code : global utilisateur (~/.claude/skills/)
pyod install skill --project    # Codex : local au projet (./skills/, Codex n'a pas de répertoire global utilisateur)

# 2. Tout LLM compatible MCP — nécessite l'extra optionnel mcp
pip install pyod[mcp]
pyod mcp serve                 # alias pour `python -m pyod.mcp_server`

# 3. Python pur — aucune étape supplémentaire
#    from pyod.utils.ad_engine import ADEngine

Exécutez pyod info à tout moment pour voir la version, le nombre de détecteurs et l'état d'installation de chaque chemin d'activation. pyod info détecte également la stack d'agents que vous avez installée (~/.claude/ pour Claude Code, ~/.codex/ pour Codex) et recommande la bonne commande d'installation.

Pour conda, l'installation depuis les sources, les détails des dépendances et le dépannage, consultez le guide d'installation <https://pyod.readthedocs.io/en/latest/install.html>__ complet. La commande héritée pyod-install-skill de la v3.0.0 fonctionne toujours comme un alias pour pyod install skill.

Détection d'anomalies en 5 lignes de code (pip install pyod) :

.. code-block:: python

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_          # scores d'anomalie d'entraînement
y_test_scores = clf.decision_function(X_test)   # scores d'anomalie de test

Trois façons d'utiliser PyOD :

========= ===================== ====================================================================== ======================================= Couche Nom Quand l'utiliser Point d'entrée ========= ===================== ====================================================================== ======================================= 1 API classique Vous savez quel détecteur vous voulez Exemples couche 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Vous voulez que PyOD choisisse, compare et évalue automatiquement Tutoriel couche 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 Investigation agentique Vous voulez qu'un agent IA pilote la détection d'anomalies par conversation naturelle Tutoriel couche 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

Les couches 2 et 3 sont propulsées par ADEngine, le cœur d'orchestration du cycle de vie de PyOD. Le flux d'investigation multi-tours complet de la couche 3 est disponible via la compétence od-expert pour Claude Code et Codex. Le serveur MCP (python -m pyod.mcp_server) expose dix outils sans état pour les LLM compatibles MCP, couvrant les requêtes de connaissances (list_detectors, explain_detector, compare_detectors, get_benchmarks), la planification (profile_data, plan_detection, build_detector) et la détection (run_detection, analyze_results, explain_findings) ; les outils MCP avec état investigate / iterate sont reportés.

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: Démonstration d'investigation agentique PyOD 3 sur le jeu de données cardiotocographie :align: center :width: 720