Azure Custom Vision wird eingestellt: eine Checkliste für die Migration deiner Bildverarbeitungsmodelle
Azure Custom Vision wird am 25. September 2028 eingestellt. Plane deine Migration, exportiere deine annotierten Daten und trainiere das Modell auf der Ultralytics Platform neu.
Jing Qiu14 Min. Lesezeit
Azure Custom Vision wird am 25. September 2028 eingestellt. Teams, die das Cloud-Training oder die Vorhersagefunktion nutzen, brauchen bis dahin einen Ersatz. Auch Teams, die exportierte Modelle ausführen, benötigen eine Möglichkeit, sie neu zu trainieren, wenn sich Produkte und Kameras ändern. Jetzt ist ein guter Zeitpunkt, auf eine Platform umzusteigen, auf der du noch jahrelang annotieren, trainieren und bereitstellen kannst.
Diese Checkliste führt durch fünf Schritte für eine reibungslose Migration: Erfasse zunächst, was du derzeit einsetzt, sichere deine annotierten Daten, wähle das Ziel aus, überprüfe das neue Modell mit deinen eigenen Bildern und stelle dann mit einer Ausweichlösung um. Dabei wird gezeigt, wie sich die einzelnen Bestandteile eines Custom-Vision-Projekts auf die Ultralytics Platform übertragen lassen. Dort annotierst, trainierst und stellst du Ultralytics YOLO-Modelle an einem Ort bereit. So erhält dein Team mit der Migration eine langfristige Lösung statt einer Zwischenlösung.
Was ändert sich und wann?#
Laut den Migrationshinweisen von Microsoft zu Custom Vision:
- 25. September 2028: Custom Vision wird eingestellt und der Dienst ist nicht mehr verfügbar. Microsoft unterstützt bestehende Kunden bis dahin vollständig.
- 25. September 2026: Bis zu diesem Datum sollten Kunden laut Microsoft einen Plan für den Umstieg erstellen.

Die von Microsoft in den Migrationshinweisen genannten Einstellungstermine für Azure Custom Vision und die Image Analysis API.
Was bedeutet das in der Praxis?
- Cloud-Training und Vorhersagen werden eingestellt. Jede Anwendung, die einen Custom-Vision-Vorhersageendpunkt aufruft, benötigt vor dem Einstellungstermin einen neuen Endpunkt.
- Exportierte Modelle können den Betrieb aufrechterhalten. Custom Vision kann ein Modell exportieren, damit es als ONNX-, TensorFlow-, TensorFlow.js- oder CoreML-Modell beziehungsweise in einem Docker-Container auf eigener Hardware ausgeführt werden kann. Modelldateien wie ONNX rufen den Dienst nicht auf. Microsoft zufolge enthält der Docker-Container jedoch Dienstcode für die Custom-Vision-API. Teste ihn daher bei nicht verfügbarem Dienst, bevor du dich darauf verlässt. Der Export ist nur bei Projekten mit einer kompakten Domäne möglich. Microsoft weist außerdem darauf hin, dass kompakte Modelle etwas weniger genau sein können als Modelle aus einer Standarddomäne. Nach der Einstellung kannst du ein exportiertes Modell auch nicht mehr in Custom Vision neu trainieren. Seine Leistung kann sich daher verschlechtern, wenn sich deine Produkte, Kameras und Fehlerbilder ändern.
- Für die Image Analysis API gilt derselbe Einstellungstermin. Microsoft zufolge wird die Image Analysis API ebenfalls am 25. September 2028 eingestellt, einschließlich verbundener und nicht verbundener Container. Wenn du beide Dienste nutzt, plane eine gemeinsame Migration statt zwei getrennter.
- Bewahre deine Bilder und Labels für die Migration auf. Die Qualität eines neu trainierten Modells hängt von seinem Datensatz ab. Sichere daher deine annotierten Daten zusammen mit allen unterstützten Modelleexporten.

Dienstverfügbarkeit und Exportoptionen nach der Einstellung gemäß der Migrations- und Exportdokumentation von Microsoft.
Schritt 1: Erfasse, was du derzeit einsetzt#
Bevor du Optionen vergleichst, halte fest, was vorhanden ist. Erfasse für jedes Custom-Vision-Projekt:
- Projekttyp: Bildklassifizierung (Multiklassen- oder Multilabel-Klassifizierung) oder Objekterkennung.
- Domäne: eine Standarddomäne oder eine kompakte Domäne. Nur Projekte mit einer kompakten Domäne lassen sich exportieren.
- Wo Vorhersagen verwendet werden: jede Anwendung, jedes Skript, jedes Gerät und jeder Workflow, die den Vorhersageendpunkt aufrufen, sowie die jeweils verantwortliche Person.
- Abnahmekriterien für das aktuelle Modell: die Präzision und den Recall, auf die du dich derzeit verlässt, und die Fehler, die am meisten kosten. Ein übersehener Fehler und eine fälschliche Zurückweisung verursachen selten dieselben Kosten.
- Datensatz: Anzahl der Bilder und Tags sowie die Anzahl der Bilder mit und ohne Tags.
- Rahmenbedingungen: Latenz, Ausführungsort der Inferenz (Cloud, Produktionshalle, Mobilgerät, offline), Datenresidenz und benötigte Zugriffsberechtigungen.
| Projekt | Typ | Bereich | Aufgerufen von (verantwortlich) | Abnahmekriterien | Bilder (mit Tags / ohne Tags) | Tags | Rahmenbedingungen |
|---|---|---|---|---|---|---|---|
| Beispiel: Schweißfehler | Objekterkennung | Allgemein (kompakt) | QS-Anwendung für Linie 3 (Werks-IT) | Recall von mindestens 95 % bei Rissen; weniger als 2 % fälschliche Zurückweisungen | 4,200 / 1,100 | 3 | Vor Ort, unter 200 ms |
Die erste Zeile veranschaulicht den erforderlichen Detailgrad und enthält keine Daten aus einem realen Projekt.
Diese Liste bildet die Anforderungen an den Ersatz und den Testplan für die Umstellung.
Schritt 2: Sichere deine annotierten Daten frühzeitig#
Microsoft empfiehlt, zuerst die annotierten Datensätze und Modellmetadaten zu exportieren und sie anschließend in das Format der neuen Platform umzuwandeln. Erledige das, solange der Dienst noch vollständig unterstützt wird, damit genug Zeit bleibt, den Export zu überprüfen.
- Bilder und Labels: Der Vorgang Get Tagged Images der Custom Vision Training API gibt Bildmetadaten und Tags sowie bei der Objekterkennung die Bildbereiche zurück. Setze
takeauf 256, rufe die Seiten mithilfe vonskipnacheinander ab und lade jedes Originalbild über seinoriginalImageUriherunter. Die Metadaten allein sind keine Sicherung deiner Bilder. Bei Projekten mit aktivierter VNET-Funktion werden relative Pfade zurückgegeben, die du stattdessen mit GetArtifact abrufst. - Überprüfe die Anzahl: Stelle sicher, dass die Anzahl der exportierten Bilder und Labels für jedes Projekt und jedes Tag mit den dort angegebenen Werten übereinstimmt, bevor du dich auf den Export verlässt.
- Halte die Einstellungen zu den Daten fest: Projekt- und Tag-IDs, die Zuordnung von Tags zu Klassen, die Domäne, die veröffentlichte Iteration sowie die in deinen Anwendungen verwendeten Konfidenzschwellen und Vorverarbeitungsschritte.
- Informiere dich über die Funktion ExportProject: Die Microsoft-ExportProject-API kopiert ein Projekt mithilfe eines temporären Tokens in ein anderes Custom-Vision-Konto. Sie erstellt keine portable Sicherung deines Datensatzes.
- Begrenzungsrahmen: Erkennungsbereiche werden als
left,top,widthundheightin normalisierten Koordinaten relativ zur Bildgröße zurückgegeben. Für die Umwandlung in das YOLO-Format (normalisiertes Zentrum x, Zentrum y, Breite, Höhe) oder COCO sind eine Koordinatenumrechnung, eine Klassenzuordnung und eine Validierungsrunde erforderlich, um falsch platzierte Rahmen zu erkennen.

Derselbe Rahmen in beiden Formaten. Beide verwenden auf die Bildgröße normierte Koordinaten.
def to_yolo_line(region, class_ids):
"""Custom Vision region (normalized left, top, width, height) -> YOLO label line."""
x_center = region["left"] + region["width"] / 2
y_center = region["top"] + region["height"] / 2
class_id = class_ids[region["tagName"]]
return f"{class_id} {x_center:.6f} {y_center:.6f} {region['width']:.6f} {region['height']:.6f}"
# {"tagName": "scratch", "left": 0.30, "top": 0.25, "width": 0.35, "height": 0.40}
# -> "0 0.475000 0.450000 0.350000 0.400000"- Bilder ohne Tags: Exportiere auch diese mit dem Vorgang Get Untagged Images. Sie können zusätzliche nützliche Trainingsbeispiele liefern, sobald du sie annotieren kannst.
Prüfe vor dem Export zwei Zahlen auf der Microsoft-Seite mit den Grenzwerten. Custom Vision benötigt mindestens 5 annotierte Bilder pro Tag für die Klassifizierung und 15 für die Objekterkennung. Für beide Aufgaben werden mindestens 50 empfohlen. Außerdem speichert der Dienst Vorhersagebilder nur 30 Tage lang. Sichere daher jetzt alle Bilder, die du für ein erneutes Training verwenden möchtest.
- Modelle: Exportiere bei Projekten mit kompakter Domäne das aktuelle Modell als Ausweichlösung für die Übergangszeit. Bei einem Projekt mit Standarddomäne musst du zunächst zu einer kompakten Domäne wechseln und das Modell neu trainieren, bevor du es exportieren kannst. Das kompakte Modell kann etwas weniger genau sein.
Lass den Rohdatenexport unverändert und wandle eine Kopie um, damit du jederzeit zum Original zurückkehren kannst. Wenn du zur Ultralytics Platform wechselst, ist das YOLO-Format ein naheliegendes Zielformat, da die Platform YOLO-, COCO- und Ultralytics-NDJSON-Datensätze direkt importiert.
Schritt 3: Wähle die Art des Ersatzes#
Teams, die sich auf Amazon Lookout for Vision verlassen hatten, das AWS am 31. Oktober 2025 eingestellt hat, standen vor derselben Entscheidung. Es gibt keine allgemeingültige Antwort. Welcher Ersatz am besten geeignet ist, hängt von deinem Anwendungsfall und davon ab, wie viel der Verarbeitungskette dein Team selbst verwalten möchte.
| Option | Am besten geeignet für | Was dein Team verwaltet | Worauf du achten solltest |
|---|---|---|---|
| Azure Machine Learning mit AutoML (von Microsoft empfohlener Weg) | Teams, die Azure nutzen und eine individuelle Klassifizierung und Objekterkennung benötigen | Azure-ML-Arbeitsbereich, Rechenressourcen und Bereitstellung | Aufwand für den Neuaufbau von Trainings- und Bereitstellungsabläufen in Azure ML |
| Verwalteter ML-Dienst eines anderen Cloud-Anbieters, etwa Amazon SageMaker AI, Amazon Rekognition Custom Labels oder Gemini Enterprise Agent Platform auf Google Cloud | Teams, die sich auf diesen Cloud-Anbieter festlegen | Trainings-, Bereitstellungs- und Überwachungslösung des Anbieters | Exportoptionen, Migrationsaufwand und die Möglichkeit, das Modell später zu verschieben |
| Generative KI-Dienste in Microsoft Foundry (von Microsoft empfohlener Weg) | Teams, die bereit sind, die Lösung auf Basis von promptgesteuerten oder generativen Modellen neu zu konzipieren | Promptgestaltung, Evaluierung und Betrieb der Lösung | Genauigkeit bei deinen spezifischen Fehlern oder Objekten, Latenz und Konsistenz |
| Dedizierte trainierbare Platform für Bildverarbeitung, etwa LandingLens von Landing AI oder die Ultralytics Platform | Teams, die Annotation, Training und Bereitstellung an einem Ort sowie verwaltete Trainings- und Bereitstellungsinfrastruktur wünschen | Datensätze, Annotation, Evaluierung und Integration in deine Anwendungen | Unterstützte Aufgaben, Importformate, Bereitstellungsziele, Übertragbarkeit trainierter Modelle und Zugriffskontrollen für das Team |
| Auf Open-Source-Frameworks aufbauen | Teams mit ML-Entwicklern, die volle Kontrolle wünschen | Trainingscode, Infrastruktur und Überwachung | Langfristige Wartung und Personalbedarf |
| Komplettlösung für die Inspektion | Produktionslinien, die Hardware, Software und Integration von einem Anbieter beziehen möchten | Abstimmung mit dem Anbieter, Abnahmetests und laufender Support | Flexibilität bei Änderungen an Produkten und Fehlerarten |
Bewerte jede Option anhand der Bestandsaufnahme aus Schritt 1. Berücksichtige dabei den Migrationsaufwand, laufende Kosten für Rechenressourcen und Support, Beschaffungsanforderungen und den Status des Dienstes, etwa ob er noch in der Vorschau ist. Wenn dein Team es geschätzt hat, Annotation, Training und Bereitstellung an einem Ort zu haben, bietet eine dedizierte trainierbare Platform für Bildverarbeitung einen ähnlichen integrierten Ablauf. Im Abschnitt „Wechsel zur Ultralytics Platform“ weiter unten wird jeder Teil deines Projekts zugeordnet. Wenn die Inferenz auf einem Gerät oder offline ausgeführt werden muss, prüfe zuerst die Exportformate. Wenn mehrere Personen Daten annotieren und überprüfen, achte auf Rollen und Berechtigungen des Teams.
Schritt 4: Überprüfe das Modell mit deinen eigenen Bildern#
Ergänze die Beispiele des Anbieters durch Tests mit deinen eigenen Daten:
- Teile deine Daten in drei Gruppen auf: Trainingsdaten, Validierungsdaten und einen unangetasteten Testsatz, den das neue Modell noch nie gesehen hat. Der Testsatz sollte auch deine schwierigsten und seltensten Fälle enthalten. Teile die Daten, sofern sinnvoll, nach Produktionscharge, Kamera oder Zeitraum auf und entferne nahezu identische Bilder aus verschiedenen Gruppen, damit der Test neue Bedingungen abbildet.
- Trainiere das Modell mit deinem exportierten Datensatz neu und verwende dieselben Tags oder Klassen.
- Vergleiche die Ergebnisse mit deinen Abnahmekriterien aus Schritt 1 und nicht nur mit einem einzelnen Genauigkeitswert. Betrachte übersehene Erkennungen und Fehlalarme getrennt.
- Teste das Modell am tatsächlichen Einsatzort: mit denselben Kameras, Geräten oder Netzwerkverbindungen wie in der Produktion.
- Passe die Integration an: Überprüfe für den Ersatz die Authentifizierung, Anfrage- und Antwortformate, Vorverarbeitung, Konfidenzschwellen und Fehlerbehandlung. Aktualisiere und teste anschließend jede Anwendung, statt davon auszugehen, dass eine neue Endpunkt-URL ausreicht.
- Teste unter Produktionslast: Prüfe gleichzeitige Anfragen, Kaltstarts, Wiederholungsversuche und das Verhalten bei einem Ausfall.
Auf der Ultralytics Platform kannst du den umgewandelten Datensatz mit Cloud-Training zum Trainieren verwenden, die Metriken in Echtzeit verfolgen und das Modell anschließend unter Produktionsbedingungen testen.
Wenn das neue Modell die Anforderungen nicht erfüllt, untersuche Labels, Vorverarbeitung, Modelleignung und Bereitstellungsverhalten, bevor du dich für eine Korrektur entscheidest. Die Migration bietet eine gute Gelegenheit, uneinheitliche Labels zu korrigieren und Beispiele für Fälle hinzuzufügen, mit denen das alte Modell Schwierigkeiten hatte.
Schritt 5: Plane die Umstellung#

Ablauf der Umstellung für jede Anwendung, die derzeit Custom Vision aufruft.
- Parallel betreiben. Sende die gleichen Bilder über einen bestimmten Zeitraum an das alte und das neue Modell und vergleiche die Ergebnisse, bevor du umstellst.
- Stelle jeweils einen Verbraucher um und beginne mit der Anwendung mit dem geringsten Risiko.
- Lege die Auslöser für ein Rollback im Voraus fest, zum Beispiel eine Fehlerrate oder Falschrückweisungsrate über einem vereinbarten Grenzwert, und behalte eine Ausweichlösung bei, bis du sicher bist: vor der Abschaltung den aktuellen Custom Vision-Endpunkt oder danach eine separat bereitgestellte Ausweichlösung, die du bereits getestet hast, etwa ein exportiertes Kompaktmodell.
- Bestimme für jede Anwendung eine verantwortliche Person für die Umstellung, damit keine Anwendung mehr einen abgeschalteten Endpunkt aufruft.
- Passe die Lösung daran an, wie die jeweilige Anwendung heute ausgeführt wird. Auf der Ultralytics Platform kann ein Modell Vorhersagen über einen dedizierten Endpunkt bereitstellen oder exportiert werden, um auf deiner eigenen Hardware zu laufen. So gibt es jeweils eine passende Lösung für Cloud-Anwendungen und Apps auf Geräten.
- Lege fest, wer für das erneute Training verantwortlich ist. Produkte, Beleuchtung und Fehlertypen ändern sich. Vereinbare, wer neue Daten prüft und wie oft das Modell erneut trainiert wird, damit sich das neue System an veränderte Produktionsbedingungen anpassen kann.
Wechsel zur Ultralytics Platform#
Wenn deinem Team am Custom Vision-Ablauf gefallen hat, dass sich Kennzeichnung, Training und Bereitstellung an einem Ort erledigen lassen, bietet die Ultralytics Platform denselben durchgängigen Ablauf, aufgebaut rund um Ultralytics YOLO-Modelle. Hier findest du nach dem Wechsel die einzelnen Bestandteile eines Custom Vision-Projekts:
| In Custom Vision | Auf der Ultralytics Platform |
|---|---|
| Klassifizierungs- und Objekterkennungsprojekte | Datensätze für Klassifizierung und Erkennung sowie Segmentierung, Pose und orientierte Begrenzungsrahmen |
| Bilder und Bereiche mit Tags | Lade deinen konvertierten Export im YOLO-, COCO- oder Ultralytics NDJSON-Format hoch |
| Kennzeichnung im Portal | Ein Anmerkungseditor mit intelligenter Anmerkung für die Erkennung, der SAM, vortrainierte YOLO-Modelle oder dein eigenes feinabgestimmtes Modell verwendet. Klassifizierungsbilder werden manuell gekennzeichnet |
| Trainingsiterationen | Cloud-Training auf GPUs, mit in Echtzeit übermittelten Kennzahlen und automatisch gespeicherten Prüfpunkten |
| Vorhersage-Endpunkt | Dedizierte Endpunkte in 42 Regionen |
| Exporte kompakter Modelle für Geräte | Modellexport in Formate wie ONNX, TensorRT und CoreML, abhängig von der Kompatibilität mit Modell und Aufgabe |
| Gemeinsamer Projektzugriff | Teamarbeitsbereiche mit den Rollen Owner, Admin, Editor und Viewer (prüfe die Teamvoraussetzungen) in einer Datenregion in den USA, der EU oder im asiatisch-pazifischen Raum |

Das Dialogfeld „New Dataset“ auf der Ultralytics Platform akzeptiert YOLO-, COCO- und Ultralytics NDJSON-Datensätze. Die angezeigten Uploadgrenzen gelten für das Konto, das in diesem Screenshot verwendet wurde.
Ein paar Dinge, die du einplanen solltest:
- Erneut trainieren statt importieren. Custom Vision-Modelle können nicht hochgeladen werden, also trainierst du ein YOLO-Modell mit deinen exportierten Daten.
- Mehrfachklassifizierung. Klassifizierungsdatensätze auf der Platform verwenden ein Label pro Bild. Entscheide daher vor der Migration, wie du mit Projekten mit mehreren Labels umgehst.
- Datenschutz und Region. Neue Datensätze sind standardmäßig öffentlich oder privat, abhängig von der Standardsichtbarkeit deines Arbeitsbereichs. Lege daher beim Erstellen proprietärer Datensätze die Sichtbarkeit „Private“ fest. Deine Datenregion wird bei der Registrierung ausgewählt und kann später nicht selbst geändert werden.
- Bereitstellungskapazität. Auf jedem dedizierten Endpunkt läuft eine aktive Instanz. Die Standardgröße wird im Leerlauf auf null herunterskaliert, während benutzerdefinierte Größen eine betriebsbereite Instanz beibehalten. Vergleiche daher Durchsatz und Kaltstarts mit deinen Produktionsanforderungen oder exportiere das Modell, um es auf deiner eigenen Infrastruktur auszuführen.
- Umfang. Eine Bildverarbeitungsplattform ersetzt den Modellteil eines Prüfsystems, nicht die Kameras, die Beleuchtung oder die Integration in die Produktionslinie.
Beginne mit einem Projekt: Konvertiere einen repräsentativen Custom Vision-Datensatzexport in ein unterstütztes Format, lade ihn auf die Ultralytics Platform hoch, trainiere ein Modell und vergleiche es mit den in Schritt 1 vereinbarten Abnahmekriterien. Planst du eine größere Migration? Sprich mit unserem Team über die Anzahl deiner Projekte, Aufgabentypen, Datensatzgrößen, Latenzvorgaben und Bereitstellungseinschränkungen.
Häufig gestellte Fragen
Am 25. September 2028. Microsoft unterstützt bestehende Kunden bis dahin und hat sie gebeten, den Übergang bis zum 25. September 2026 zu planen.
Eine Modelldatei, die nach ONNX, TensorFlow, TensorFlow.js oder CoreML exportiert wurde, läuft auf deiner eigenen Hardware, ohne den Custom Vision-Dienst aufzurufen, und kann daher weiter ausgeführt werden. Wenn du den exportierten Docker-Container verwendest, teste ihn bei nicht verfügbarem Dienst, bevor du dich darauf verlässt. Du kannst ihn nicht in Custom Vision erneut trainieren, und Exporte sind nur für Projekte mit kompakten Domänen verfügbar.
Ja. Der Vorgang Get Tagged Images der Training API gibt Bildmetadaten, Tags und Objekterkennungsbereiche zurück, bis zu 256 Bilder pro Anfrage, mit einem
originalImageUrifür jedes Originalbild (bei Projekten mit aktivierter VNET-Funktion werden relative Pfade zurückgegeben, die du mit GetArtifact abrufst). Lade die Bilder selbst herunter und konvertiere dann die Bereiche in das Format deiner neuen Plattform, zum Beispiel YOLO oder COCO.Microsofts Migrationsleitfaden verweist auf Azure Machine Learning mit AutoML für benutzerdefinierte Klassifizierung und Erkennung sowie auf generative KI-Optionen in Microsoft Foundry, darunter Azure Content Understanding für benutzerdefinierte Klassifizierung.
Plane für einen Wechsel zur Ultralytics Platform, ein unterstütztes YOLO-Modell mit deinem konvertierten Datensatz zu trainieren, da Modellexporte aus Custom Vision nicht als Modell-Uploads auf der Platform unterstützt werden. Behalte deine Labels bei, prüfe ihre Qualität und validiere das neue Modell vor der Umstellung.
Verfasst von
Kommentare
Stelle eine Frage, teile deine Ergebnisse oder hilf anderen.










