La detección de anomalías multiclase es más eficiente y consume menos recursos en escenas de detección de anomalías industriales que involucran múltiples categorías o exhiben una gran diversidad intra-clase. Sin embargo, la mayoría de los métodos industriales de detección de anomalías en imágenes están desarrollados para la detección de anomalías de una sola clase, que típicamente sufren caídas significativas en el rendimiento en escenarios multiclase. La investigación que se dirige específicamente a la detección de anomalías multiclase sigue siendo relativamente limitada. En este trabajo, proponemos un potente flujo normalizador unificado para la detección de anomalías multiclase, al que llamamos UniFlow. Se emplea un adaptador visual multiconciencia (Mona) en nuestro método como la capa de adaptación de características para adaptar las características de imagen tanto para la tarea de detección de anomalías multiclase como para el modelo de flujo normalizador, facilitando el aprendizaje del conocimiento general de imágenes normales a través de múltiples categorías. Adoptamos redes neuronales convolucionales multiconciencia con alta capacidad para construir las capas de acoplamiento dentro del modelo de flujo normalizador para un modelado de distribución multiclase más efectivo. Además, empleamos un módulo de fusión de características a múltiples escalas para agregar características de varios niveles, obteniendo así características fusionadas con capacidades expresivas mejoradas. UniFlow logra un AUROC a nivel de imagen promedio por clase del 99.1% y un AUROC a nivel de píxel promedio por clase del 98.0% en MVTec AD, superando los métodos de detección de anomalías multiclase SOTA. Experimentos extensos en tres conjuntos de datos de referencia, MVTec AD, VisA y BTAD, demuestran la eficacia y superioridad de nuestro flujo normalizador unificado en la detección de anomalías multiclase.