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

Détection d'anomalies en Python (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: Statut 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 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 outils de connaissances et de planification des détecteurs de PyOD. L'API classique ``fit``/``predict`` reste inchangée.

---

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

=========================== ======================================================================================== Pilier Ce que cela signifie =========================== ======================================================================================== Multi-modal 61 détecteurs pour les données tabulaires, de séries temporelles, de graphes, de texte, d'image et d'audio, une seule API Cycle de vie complet Des données brutes aux anomalies expliquées et aux recommandations pour les 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 appuyé par 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 qui correspond à votre pile d'agents :

.. code-block:: bash

# 1. Claude Code / Codex — enables the od-expert skill
pyod install skill              # Claude Code: user-global (~/.claude/skills/)
pyod install skill --project    # Codex: project-local (./skills/, Codex has no user-global dir)

# 2. Any MCP-compatible LLM — requires the optional mcp extra
pip install pyod[mcp]
pyod mcp serve                 # alias for `python -m pyod.mcp_server`

# 3. Pure Python — no extra step
#    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 pile d'agents que vous avez installée (~/.claude/ pour Claude Code, ~/.codex/ pour Codex) et recommande la commande d'installation appropriée.

Pour conda, l'installation à partir des sources, les détails des dépendances et le dépannage, consultez le guide d'installation complet <https://pyod.readthedocs.io/en/latest/install.html>__. La commande héritée pyod-install-skill de la v3.0.0 fonctionne toujours comme 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_          # training anomaly scores
y_test_scores = clf.decision_function(X_test)   # test anomaly scores

Trois façons d'utiliser PyOD :

========= ======================== ====================================================================================== ======================================= Niveau Nom Quand l'utiliser Point d'entrée ========= ======================== ====================================================================================== ======================================= 1 API classique Vous savez quel détecteur vous voulez Exemples du niveau 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Vous voulez que PyOD choisisse, compare et évalue automatiquement Guide du niveau 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 Guide du niveau 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ======================== ====================================================================================== =======================================

Les niveaux 2 et 3 sont propulsés par ADEngine, le cœur d'orchestration du cycle de vie de PyOD. Le flux complet d'investigation multi-tours du niveau 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: Démo d'investigation agentique PyOD 3 sur le jeu de données de cardiotocographie :align: center :width: 720