Azure Custom Vision est en cours de retrait : liste de contrôle pour migrer tes modèles de vision
Azure Custom Vision sera retiré le 25 septembre 2028. Planifie ta migration, exporte tes données étiquetées et réentraîne tes modèles sur Ultralytics Platform.
Jing Qiu16 min de lecture
Azure Custom Vision sera retiré le 25 septembre 2028. Les équipes qui utilisent son entraînement ou ses prédictions dans le cloud devront le remplacer avant cette date, et celles qui exécutent des modèles exportés auront toujours besoin d’un endroit où les réentraîner à mesure que les produits et les caméras évoluent. C’est le bon moment pour passer à une plateforme sur laquelle tu pourras continuer à étiqueter, entraîner et déployer pendant des années.
Cette liste de contrôle présente cinq étapes pour faciliter la migration : faire l’inventaire de ce que tu exécutes aujourd’hui, récupérer tes données étiquetées, choisir où migrer, valider le nouveau modèle sur tes propres images, puis basculer en prévoyant une solution de secours. Elle montre comment chaque élément d’un projet Custom Vision se transpose dans Ultralytics Platform, où tu étiquettes, entraînes et déploies des modèles Ultralytics YOLO au même endroit, afin d’offrir à ton équipe une solution durable plutôt qu’un dépannage temporaire.
Ce qui change et à quelle date#
Selon les recommandations de Microsoft pour la migration de Custom Vision :
- 25 septembre 2028 : Custom Vision sera retiré et le service ne sera plus disponible. Microsoft assurera une prise en charge complète aux clients existants jusque-là.
- 25 septembre 2026 : date limite à laquelle Microsoft a demandé aux clients de planifier leur transition.

Dates de retrait d’Azure Custom Vision et de l’API Image Analysis fixées par Microsoft, selon ses recommandations de migration.
Ce que cela signifie en pratique :
- L’entraînement et les prédictions dans le cloud vont cesser. Toute application qui appelle un point de terminaison de prédiction Custom Vision doit en utiliser un nouveau avant la date de retrait.
- Les modèles exportés peuvent assurer la continuité. Custom Vision peut exporter un modèle au format ONNX, TensorFlow, TensorFlow.js, CoreML ou dans un conteneur Docker pour l’exécuter sur ton propre matériel. Les fichiers de modèle comme ceux au format ONNX n’appellent pas le service ; Microsoft indique que le conteneur Docker inclut le code de service de l’API Custom Vision. Teste-le donc lorsque le service est indisponible avant de t’y fier. L’exportation n’est possible que pour les projets utilisant un domaine compact, et Microsoft précise que les modèles compacts peuvent être légèrement moins précis que ceux des domaines standard. Tu ne pourras pas non plus réentraîner un modèle exporté dans Custom Vision après son retrait : ses performances risquent donc de se dégrader à mesure que tes produits, tes caméras et les défauts évoluent.
- L’API Image Analysis sera retirée à la même date. Selon Microsoft, l’API Image Analysis sera retirée le 25 septembre 2028, y compris ses conteneurs connectés et déconnectés. Si tu utilises les deux services, prévois une seule migration, pas deux.
- Conserve tes images et tes étiquettes pour la migration. Un modèle réentraîné ne peut être meilleur que le jeu de données qui le sous-tend. Conserve donc tes données étiquetées ainsi que les éventuels modèles exportés pris en charge.

Disponibilité du service et options d’exportation au moment du retrait, d’après la documentation de Microsoft sur la migration et l’exportation.
Étape 1 : faire l’inventaire de ce que tu exécutes aujourd’hui#
Avant de comparer les options, consigne ce dont tu disposes. Pour chaque projet Custom Vision, note :
- Type de projet : classification d’images (multiclasse ou multilabel) ou détection d’objets.
- Domaine : domaine standard ou compact. Seuls les projets utilisant un domaine compact peuvent exporter un modèle.
- Utilisation des prédictions : chaque application, script, appareil ou flux de travail qui appelle le point de terminaison de prédiction, ainsi que son responsable.
- Critères d’acceptation du modèle actuel : précision et rappel sur lesquels tu t’appuies aujourd’hui, et erreurs les plus coûteuses. Un défaut non détecté et un rejet erroné ont rarement le même coût.
- Jeu de données : nombre d’images, étiquettes, et nombre d’images étiquetées et non étiquetées.
- Contraintes : latence, environnement d’exécution de l’inférence (cloud, usine, mobile, hors ligne), résidence des données et personnes qui doivent y accéder.
| Projet | Type | Domaine | Utilisé par (responsable) | Critères d’acceptation | Images (étiquetées / non étiquetées) | Étiquettes | Contraintes |
|---|---|---|---|---|---|---|---|
| Exemple : défauts_de_soudure | Détection d’objets | Général (compact) | Application de contrôle qualité de la ligne 3 (informatique de l’usine) | Rappel d’au moins 95 % pour les fissures ; moins de 2 % de rejets erronés | 4,200 / 1,100 | 3 | Sur site, en moins de 200 ms |
La première ligne illustre le niveau de détail à consigner ; elle ne contient pas de données issues d’un vrai projet.
Cette liste devient le cahier des charges de la solution de remplacement et le plan de test pour la bascule.
Étape 2 : récupère rapidement tes données étiquetées#
Microsoft recommande d’abord d’exporter tes jeux de données étiquetés et les métadonnées des modèles, puis de les convertir au format requis par ta nouvelle plateforme. Fais-le tant que le service est pleinement pris en charge, afin d’avoir le temps de valider l’exportation.
- Images et étiquettes : l’opération Get Tagged Images de l’API d’entraînement Custom Vision renvoie les métadonnées des images, les étiquettes et, pour la détection d’objets, les régions. Définis
takesur 256, parcours les pages avecskip, puis télécharge chaque image d’origine à l’aide de sonoriginalImageUri. Les métadonnées seules ne constituent pas une sauvegarde de tes images. Les projets où la fonctionnalité VNET est activée renvoient des chemins relatifs que tu récupères avec GetArtifact. - Vérifie les nombres : avant de te fier à l’exportation, confirme que le nombre d’images et d’étiquettes exportées correspond aux valeurs indiquées par chaque projet, pour chaque étiquette.
- Note les paramètres associés aux données : ID des projets et des étiquettes, correspondance entre tes étiquettes et les classes, domaine, itération publiée, seuils de confiance et prétraitement utilisés par tes applications.
- Comprends le rôle d’ExportProject : l’API ExportProject de Microsoft copie un projet dans un autre compte Custom Vision à l’aide d’un jeton temporaire. Elle ne crée pas de sauvegarde portable de ton jeu de données.
- Cadres englobants : les régions de détection sont renvoyées sous la forme de
left,top,widthetheight, en coordonnées normalisées par rapport à la taille de l’image. Leur conversion au format YOLO (centre x, centre y, largeur et hauteur normalisés) ou au format COCO nécessite de convertir les coordonnées, de faire correspondre les classes et de valider le résultat pour repérer les cadres mal positionnés.

Le même cadre dans les deux formats. Les coordonnées sont normalisées par rapport à la taille de l’image dans les deux cas.
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"- Images non étiquetées : exporte-les également avec l’opération Get Untagged Images. Elles peuvent fournir des exemples d’entraînement supplémentaires utiles une fois que tu pourras les étiqueter.
Avant l’exportation, vérifie deux nombres sur la page des limites de Microsoft. Custom Vision exige au moins 5 images étiquetées par étiquette pour la classification et 15 pour la détection d’objets, et en recommande au moins 50 dans les deux cas. Le service ne conserve les images de prédiction que pendant 30 jours. Enregistre donc dès maintenant celles que tu veux utiliser pour le réentraînement.
- Modèles : pour les projets utilisant un domaine compact, exporte le modèle actuel comme solution de secours pendant la transition. Un projet utilisant un domaine standard doit passer à un domaine compact et être réentraîné avant de pouvoir exporter son modèle, lequel risque d’être légèrement moins précis.
Conserve l’exportation brute sans la modifier et convertis-en une copie afin de pouvoir toujours revenir à l’original. Si tu passes à Ultralytics Platform, le format YOLO est un choix naturel, car Platform importe directement les jeux de données aux formats YOLO, COCO et Ultralytics NDJSON.
Étape 3 : choisir le type de solution de remplacement#
Les équipes qui s’appuyaient sur Amazon Lookout for Vision, retiré par AWS le 31 octobre 2025, ont dû faire le même choix. Il n’existe pas de solution universelle. Le meilleur remplacement dépend de ton scénario et du degré de contrôle que ton équipe souhaite exercer sur le pipeline.
| Solution | Idéal pour | Éléments gérés par ton équipe | Points à vérifier |
|---|---|---|---|
| Azure Machine Learning avec AutoML (solution recommandée par Microsoft) | Équipes qui restent dans Azure et souhaitent effectuer de la classification et de la détection personnalisées | Espace de travail, calcul et déploiement Azure ML | Effort nécessaire pour recréer les flux de travail d’entraînement et de déploiement dans Azure ML |
| Service ML géré d’un autre fournisseur de cloud, comme Amazon SageMaker AI, Amazon Rekognition Custom Labels ou Gemini Enterprise Agent Platform sur Google Cloud | Équipes qui standardisent leur environnement sur ce cloud | Configuration d’entraînement, de déploiement et de surveillance du fournisseur | Options d’exportation, effort de migration et possibilité de déplacer ton modèle ultérieurement |
| Services d’IA générative dans Microsoft Foundry (solution recommandée par Microsoft) | Équipes prêtes à repenser leur solution autour de modèles génératifs ou fondés sur des invites | Conception des invites, évaluation et exploitation de la solution | Précision sur tes défauts ou objets spécifiques, latence et cohérence |
| Plateforme de vision dédiée et entraînable, comme LandingLens de Landing AI ou Ultralytics Platform | Équipes qui souhaitent disposer au même endroit de l’étiquetage, de l’entraînement et du déploiement, avec une infrastructure gérée pour l’entraînement et le déploiement | Jeux de données, étiquetage, évaluation et intégration avec tes applications | Tâches prises en charge, formats d’importation, cibles de déploiement, portabilité des modèles entraînés et contrôles d’accès de l’équipe |
| Créer une solution avec des frameworks open source | Équipes disposant d’ingénieurs ML qui souhaitent un contrôle total | Code d’entraînement, infrastructure et surveillance | Maintenance et effectifs à long terme |
| Système d’inspection clé en main | Lignes de production qui souhaitent obtenir le matériel, les logiciels et l’intégration auprès d’un seul fournisseur | Coordination avec le fournisseur, tests d’acceptation et assistance continue | Souplesse face à l’évolution des produits et des types de défauts |
Évalue chaque option en fonction de l’inventaire de l’étape 1, notamment l’effort de migration, les coûts récurrents de calcul et d’assistance, les exigences d’approvisionnement et le statut de préversion du service. Si ton équipe appréciait de disposer au même endroit de l’étiquetage, de l’entraînement et du déploiement, une plateforme de vision dédiée et entraînable offre un flux de travail intégré similaire ; la section « Passer à Ultralytics Platform » ci-dessous explique comment chaque élément de ton projet s’y transpose. Si l’inférence doit s’exécuter sur un appareil ou hors ligne, vérifie d’abord les formats d’exportation. Si plusieurs personnes étiquettent et vérifient les données, examine les rôles et les autorisations de l’équipe.
Étape 4 : valider le modèle sur tes propres images#
En complément des exemples du fournisseur, évalue le modèle sur tes propres données :
- Répartis tes données en trois ensembles : entraînement, validation et test, ce dernier restant inaccessible au nouveau modèle et comprenant tes cas les plus difficiles et les plus rares. Lorsque c’est pertinent, répartis les données par lot de production, caméra ou période, et élimine les images quasi identiques entre les ensembles afin que le test reflète de nouvelles conditions.
- Réentraîne le modèle sur ton jeu de données exporté en utilisant les mêmes étiquettes ou classes.
- Compare les résultats aux critères d’acceptation de l’étape 1, et pas seulement à un unique indicateur de précision. Examine séparément les détections manquées et les fausses alertes.
- Teste le modèle dans son environnement d’exécution réel : mêmes caméras, appareils ou chemin réseau qu’en production.
- Adapte l’intégration : vérifie l’authentification, les formats des requêtes et des réponses, le prétraitement, les seuils de confiance et la gestion des erreurs pour la solution de remplacement, puis mets à jour et teste chaque application au lieu de supposer qu’une nouvelle URL de point de terminaison suffit.
- Teste le système en charge de production : vérifie la concurrence, les démarrages à froid, les nouvelles tentatives et le comportement en cas de panne.
Sur Ultralytics Platform, tu peux entraîner ton modèle sur le jeu de données converti dans le cloud, suivre les métriques en temps réel, puis le tester dans des conditions de production.
Si le nouveau modèle n’atteint pas les résultats attendus, examine les étiquettes, le prétraitement, l’adéquation du modèle et son comportement au déploiement avant de choisir une solution. La migration est l’occasion idéale de corriger les étiquettes incohérentes et d’ajouter des exemples de cas qui posaient problème à l’ancien modèle.
Étape 5 : planifier la bascule#

Séquence de bascule pour chaque application qui appelle Custom Vision aujourd’hui.
- Fais fonctionner les modèles en parallèle. Pendant un certain temps, envoie les mêmes images à l’ancien et au nouveau modèle, puis compare les résultats avant de basculer.
- Bascule un consommateur à la fois, en commençant par l’application la moins risquée.
- Définis à l’avance les critères de retour arrière, comme un taux de non-détection ou de faux rejets dépassant une limite convenue, et conserve une solution de repli jusqu’à ce que tu sois sûr de toi : le point de terminaison Custom Vision actuel avant son retrait, ou, après son retrait, une solution de repli déployée séparément et déjà testée, comme un modèle compact exporté.
- Désigne un responsable de la bascule pour chaque application, afin qu’aucune ne continue d’appeler un point de terminaison retiré.
- Adapte la solution au fonctionnement actuel de chaque application. Sur Ultralytics Platform, un modèle peut fournir des prédictions depuis un point de terminaison dédié ou être exporté pour fonctionner sur ton propre matériel ; les applications connectées au cloud et celles exécutées sur l’appareil ont ainsi chacune une solution adaptée.
- Décide qui est responsable du réentraînement. Les produits, l’éclairage et les types de défauts évoluent. Détermine qui examine les nouvelles données et à quelle fréquence le modèle est réentraîné, afin que le nouveau système puisse s’adapter à l’évolution des conditions de production.
Passer à Ultralytics Platform#
Si ton équipe appréciait le workflow Custom Vision, qui permet d’annoter, d’entraîner et de déployer au même endroit, Ultralytics Platform propose ce même workflow de bout en bout, conçu autour des modèles Ultralytics YOLO. Voici où retrouver chaque élément d’un projet Custom Vision après la migration :
| Dans Custom Vision | Dans Ultralytics Platform |
|---|---|
| Projets de classification et de détection d’objets | Jeux de données pour la classification et la détection, ainsi que pour la segmentation, l’estimation de pose et les boîtes englobantes orientées |
| Images et régions étiquetées | Importe ton export converti au format YOLO, COCO ou Ultralytics NDJSON |
| Étiquetage dans le portail | Un éditeur d’annotations avec annotation intelligente pour la détection, utilisant SAM, des modèles YOLO préentraînés ou ton propre modèle affiné. Les images de classification sont étiquetées manuellement |
| Itérations d’entraînement | Entraînement dans le cloud sur des GPU, avec des métriques diffusées en temps réel et des points de contrôle enregistrés automatiquement |
| Point de terminaison de prédiction | Points de terminaison dédiés dans 42 régions |
| Exports compacts adaptés aux appareils | Export de modèle vers des formats tels que ONNX, TensorRT et CoreML, sous réserve de la compatibilité du modèle et de la tâche |
| Accès partagé au projet | Espaces de travail d’équipe avec les rôles Owner, Admin, Editor et Viewer (consulte les exigences applicables aux équipes), dans une région de données aux États-Unis, dans l’Union européenne ou en Asie-Pacifique |

La fenêtre Nouvelle dataset d’Ultralytics Platform accepte les jeux de données YOLO, COCO et Ultralytics NDJSON. Les limites d’importation affichées correspondent au compte utilisé dans cette capture d’écran.
Quelques éléments à prévoir :
- Réentraîne le modèle au lieu de l’importer. Il est impossible de téléverser des modèles Custom Vision ; tu dois donc entraîner un modèle YOLO sur les données exportées.
- Classification multilabel. Les jeux de données de classification de Platform utilisent une seule étiquette par image ; décide donc comment gérer les projets multilabel avant de les migrer.
- Confidentialité et région. Les nouveaux jeux de données sont publics ou privés selon la visibilité par défaut de ton espace de travail ; définis donc sur Privé les jeux de données propriétaires lors de leur création. La région de tes données est choisie lors de ton inscription et tu ne peux pas la modifier toi-même par la suite.
- Capacité de service. Chaque point de terminaison dédié exécute une instance active. La taille par défaut passe à zéro lorsqu’elle est inactive, tandis que les tailles personnalisées maintiennent une instance prête ; mesure donc le débit et les démarrages à froid par rapport aux exigences de production, ou exporte le modèle pour l’exécuter sur ta propre infrastructure.
- Périmètre. Une plateforme de vision remplace la partie modèle d’un système d’inspection, mais pas les caméras, l’éclairage ou l’intégration à la ligne de production qui l’entourent.
Commence par un projet : convertis l’export d’un jeu de données représentatif de Custom Vision dans un format pris en charge, importe-le dans Ultralytics Platform, entraîne un modèle et compare ses résultats aux critères d’acceptation convenus à l’étape 1. Tu prévois une migration plus vaste ? Parle de ton projet à notre équipe en lui indiquant le nombre de projets, les types de tâches, les tailles des jeux de données, les objectifs de latence et les contraintes de déploiement.
Foire aux questions
Le 25 septembre 2028. Microsoft prendra en charge les clients existants jusque-là et leur a demandé de planifier leur transition d’ici au 25 septembre 2026.
Un fichier de modèle exporté au format ONNX, TensorFlow, TensorFlow.js ou CoreML fonctionne sur ton propre matériel sans appeler le service Custom Vision, et peut donc continuer à fonctionner. Si tu utilises le conteneur Docker exporté, teste-le lorsque le service est indisponible avant de t’y fier. Tu ne pourras pas le réentraîner dans Custom Vision, et les exports ne sont disponibles que pour les projets du domaine compact.
Oui. L’opération Get Tagged Images de l’API Training renvoie les métadonnées des images, les étiquettes et les régions de détection d’objets, jusqu’à 256 images par requête, avec un
originalImageUripour chaque image d’origine (les projets pour lesquels la fonctionnalité VNET est activée renvoient des chemins relatifs que tu récupères avec GetArtifact). Télécharge les images elles-mêmes, puis convertis les régions au format utilisé par ta nouvelle plateforme, comme YOLO ou COCO.Les conseils de migration de Microsoft orientent vers Azure Machine Learning avec AutoML pour la classification et la détection personnalisées, ainsi que vers les options d’IA générative de Microsoft Foundry, notamment Azure Content Understanding pour la classification personnalisée.
Pour migrer vers Ultralytics Platform, prévois d’entraîner un modèle YOLO pris en charge sur ton jeu de données converti, car les exports de modèles Custom Vision ne sont pas pris en charge comme importations de modèles dans Platform. Conserve tes étiquettes, vérifie leur qualité et valide le nouveau modèle avant la bascule.
Écrit par
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un.










