Die besten Plattformen für das Training eigener Bildklassifikatoren

KI-generierte Prüfszene zur Veranschaulichung. Die Kacheln zeigen vier korrekt klassifizierte Testfotos aus dem Fabric Stain Dataset, ausgewählt wegen ihrer visuellen Klarheit. Unser trainiertes Ultralytics YOLO26s-cls-Modell klassifizierte 65 von 71 Testbildern korrekt, darunter 7 von 11 sauberen und 58 von 60 fleckigen Bildern. Die Kacheln sind quadratische Ausschnitte der Testfotos. Die Werte zeigen die Konfidenz des Modells, nicht die Genauigkeit.

Welche Plattform sich am besten für das Training eines eigenen Bildklassifikators eignet, hängt davon ab, wo das Modell ausgeführt werden soll und wie viel Kontrolle du brauchst. No-Code-Cloudplattformen wie Amazon Rekognition Custom Labels, AutoML auf der Gemini Enterprise Agent Platform (ehemals Vertex AI AutoML), LandingLens und Ultralytics Platform ermöglichen dir, beschriftete Bilder hochzuladen und ohne Code zu trainieren. Entwickler-Workflows wie Amazon SageMaker AI, Azure Machine Learning AutoML und Hugging Face Transformers geben dir mehr Kontrolle über das Modell und den Trainingslauf. Auf Edge-Geräte ausgerichtete Tools wie Edge Impulse sind für kleine Geräte gedacht, und Teachable Machine ermöglicht kostenlose Prototypen direkt im Browser.

Der Servicestatus ist bei der Auswahl wichtig. Microsoft stellt Azure Custom Vision am 25. September 2028 ein, und Hugging Face AutoTrain wird nicht mehr gepflegt. Google nennt Vertex AI AutoML jetzt AutoML auf der Gemini Enterprise Agent Platform; in diesem Leitfaden wird die Bezeichnung Google Cloud AutoML verwendet.

Dieser Leitfaden vergleicht Tools für das Training eines Klassifikators mit deinen eigenen beschrifteten Bildern, erläutert die Auswahl und zeigt, wie du einen Klassifikator testest, bevor du dich festlegst. Informationen zur Auswahl der Modellarchitektur findest du im Vergleich der Bildklassifikationsmodelle. Wenn du ein bereits vorhandenes Modell bereitstellen möchtest, findest du einen Vergleich unter Plattformen für die Inferenz mit Computer-Vision-Modellen. Ultralytics veröffentlicht diesen Vergleich und bietet selbst eine der enthaltenen Plattformen an.

Worauf du achten solltest#

Bildklassifikation ordnet einem ganzen Bild ein oder mehrere Labels zu, etwa „defekt“ oder „OK“ für ein Bauteil in einer Fertigungslinie. Plattformen für das Training von Klassifikatoren unterscheiden sich in fünf Punkten, die wichtiger sind als ihre Funktionslisten:

• Labels: Einzel-Label (eine Klasse pro Bild) oder Multi-Label (mehrere Klassen pro Bild). Nicht jede Plattform unterstützt beide Varianten.
• Kontrolle: AutoML wählt Modell und Einstellungen für dich aus; auf Entwicklerplattformen kannst du Architektur, Bildgröße und Trainingseinstellungen festlegen.
• Ausführungsort des Modells: Manche Plattformen stellen das Modell ausschließlich in ihrer eigenen Cloud bereit, andere ermöglichen den Export, damit du es auf deiner eigenen Hardware ausführen kannst.
• Kostenmodell: Trainingszeit, Hostingstunden und Gebühren pro Bildvorhersage summieren sich je nach Anbieter unterschiedlich. Ein dauerhaft laufendes Modell kann mehr kosten als das Training.
• Speicherort der Daten: Wo deine Bilder gespeichert und verarbeitet werden – wichtig bei regulierten Daten.

Vergleich von Plattformen für das Training von Bildklassifikatoren#

Das sind unterschiedliche Arten von Tools: verwaltete AutoML-Dienste, Entwickler-Workflows und Browser-Prototypen. Erstelle zunächst eine Auswahlliste anhand der Label-Unterstützung und des erforderlichen Ausführungsorts des Modells, bevor du die Kosten vergleichst. Prüfe zuerst, ob ein vorhandenes vortrainiertes Modell bereits ausreicht.

Die Plattformen sind alphabetisch aufgeführt. Die Dokumentation der Anbieter wurde am 9. November 2026 geprüft; dies ist ein Vergleich der Funktionen und kein praktischer Benchmark. Auf kleinen Bildschirmen kannst du die Tabelle horizontal scrollen, um alle Spalten zu sehen.

Beispielhafte Auswahllisten nach Anforderungen. Die Gruppen überschneiden sich; prüfe vor der Auswahl die Unterstützung der Labels, die Berechtigungen für die Bereitstellung und die Kompatibilität mit der Laufzeitumgebung.

Ultralytics Platform trainiert Einzel-Label-Klassifikatoren, bei denen jedes Bild einer Klasse zugeordnet wird. Wenn du Multi-Label-Klassifikation brauchst, kommen Azure Machine Learning AutoML oder Google Cloud AutoML infrage.

So triffst du die Wahl#

Orientiere dich zuerst an der Entscheidung, bei der du am wenigsten flexibel bist.

Du möchtest ohne Code arbeiten und eine verwaltete API nutzen#

Wähle den AutoML-Dienst der Cloud, die du bereits nutzt: Amazon Rekognition Custom Labels auf AWS oder Google Cloud AutoML auf Google Cloud. Beide übernehmen das Modell und die Einstellungen für dich. Prüfe, wie lange das Modell laufen muss, denn Rekognition Custom Labels berechnet jede Stunde, in der ein Modell gestartet ist, auch wenn es keine Bilder analysiert.

Du musst das Modell auf deiner eigenen Hardware ausführen#

Wähle eine Plattform, die das trainierte Modell exportiert. Edge Impulse, Google Cloud AutoML (Edge-Modelle), Teachable Machine und Ultralytics Platform bieten den Modellexport; prüfe vor der Auswahl die unterstützte Laufzeitumgebung, Tariflimits und Lizenzbedingungen. Für PCs, Kameras und GPUs in der Fertigung kann ein exportiertes YOLO26-Klassifikationsmodell mit ONNX, TensorRT oder OpenVINO ausgeführt werden. Edge Impulse ist für Mikrocontroller dieser Geräteklasse ausgelegt.

Du möchtest volle Kontrolle über das Modell#

Wenn du Architektur und Trainingseinstellungen kontrollieren möchtest, nutze SageMaker mit eigenem Trainingscode oder erstelle einen Workflow mit PyTorch, TensorFlow, Keras, Hugging Face Transformers oder dem Ultralytics-YOLO-Paket. Prüfe, welche Architekturen die einzelnen Bibliotheken unterstützen. AutoML-Tools wie Azure Machine Learning AutoML bieten innerhalb der unterstützten Modelle und Einstellungen gewisse Kontrollmöglichkeiten. In beiden Fällen musst du mit mehr Einrichtungsaufwand rechnen.

Du wechselst weg von Azure Custom Vision#

Microsoft wird bestehende Kunden bis zum 25. September 2028 vollständig unterstützen und empfiehlt Azure Machine Learning AutoML für die benutzerdefinierte Klassifikation. Exportiere für den Wechsel deine Bilder und Labelzuweisungen, behalte mehrere Labels dort bei, wo du sie verwendet hast, und konvertiere sie vor dem erneuten Training in das Importformat der neuen Plattform.

Du möchtest lernen oder Prototypen entwickeln#

Teachable Machine ist kostenlos und trainiert im Browser. Damit kannst du gut testen, ob sich deine Klassen voneinander unterscheiden lassen, bevor du einen vollständigen Datensatz sammelst.

So prüfst du einen Klassifikator, bevor du dich festlegst#

Die Demo-Genauigkeit einer Plattform sagt wenig über deine eigenen Bilder aus. Führe denselben kurzen Test auf jeder Plattform deiner Auswahlliste durch:

1. Halte Trainings-, Validierungs- und Testdaten getrennt. Nimm die Testbilder von den Kameras und unter den Bedingungen auf, denen das Modell später in der Produktion begegnet. Belasse nahezu identische Bilder und Bilder aus derselben Aufnahmesequenz im selben Datensatz.
2. Trainiere eine Baseline mit denselben Trainingsbildern und den Standardeinstellungen jeder Plattform. Notiere alle Einschränkungen bei Rechenleistung, Trainingsbudget oder Bildgröße.
3. Triff die Auswahl anhand des Validierungsdatensatzes. Vergleiche Präzision und Recall pro Klasse sowie die Konfusionsmatrix und die Geschwindigkeit auf der Hardware, die du verwenden wirst. Lege hier auch etwaige Schwellenwerte fest.
4. Teste die endgültige Auswahl einmal mit dem unangetasteten Testdatensatz: Top-1-Genauigkeit bei Einzel-Label-Klassifikatoren oder Präzision, Recall und F1 für jedes Label bei Multi-Label-Klassifikatoren.
5. Prüfe die Gesamtkosten: Training plus Hosting- oder Vorhersagegebühren bei deinem erwarteten Nutzungsvolumen.
6. Prüfe die Ausstiegsmöglichkeiten: Kannst du das trainierte Modell herunterladen, in welchem Format und unter welcher Lizenz?

Verwende auf jeder Plattform dieselben Bilder, Labels und Datensatzaufteilungen und wandle sie jeweils in das passende Importformat um. Als optionales Beispiel folgt der abschließende Test mit Ultralytics YOLO:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # pretrained on ImageNet
model.train(data="path/to/dataset", epochs=50, imgsz=224)  # dataset/train/<class>/, dataset/val/<class>/

metrics = model.val(split="test")  # dataset/test/<class>/, never used in training (needs its own test folder)
print(f"top-1 accuracy: {metrics.top1:.3f}, top-5 accuracy: {metrics.top5:.3f}")

Informationen zur Ordnerstruktur findest du im Format für Klassifizierungsdatensätze, Beispiele zur Klassifikation in der Dokumentation zu Classify und alle Trainingsoptionen unter Trainingseinstellungen. Verwende getrennte Ordner für train, val und test: Fehlt der Testordner, greift die abschließende Prüfung auf die Validierungsbilder zurück.

Wo Ultralytics ins Spiel kommt#

Ultralytics unterstützt das Training und den Export von Einzel-Label-Klassifikatoren. Vergleiche die Ergebnisse mit deinen eigenen Daten, bevor du dich dafür entscheidest.

• In der Cloud oder lokal trainieren. Ultralytics Platform trainiert YOLO26-Klassifikatoren über deinen Browser auf Cloud-GPUs. Das Open-Source-Python-Paket ultralytics trainiert dieselben Modelle auf deinem eigenen Rechner.
• Daten vorbereiten und in einem Workflow trainieren. Importiere Datensätze mit Klassenordnern mithilfe der Anleitung zu Datensätzen auf der Platform, prüfe Labels und Datensatzaufteilungen und trainiere anschließend in Ultralytics Platform.
• Führe das Modell dort aus, wo du es brauchst. Exportiere es in ONNX, TensorRT, CoreML, LiteRT und andere Formate oder stelle es auf einem Platform-Endpunkt bereit.
• Kenne die Einschränkungen. Klassifikatoren verwenden Einzel-Labels. Platform-Endpunkte laufen auf CPUs; für die Bereitstellung auf GPUs bei hohem Anfragevolumen ist daher die eigene Hardware oder eine andere Cloud besser geeignet. Ultralytics bietet Lizenzen unter AGPL-3.0 und Enterprise an: Für proprietäre Bereitstellungen, die die Verpflichtungen von AGPL-3.0 nicht erfüllen können, ist eine Enterprise-Lizenz erforderlich.