Meilleures plateformes pour entraîner des classificateurs d’images personnalisés

Scène d’inspection illustrative générée par IA. Les vignettes montrent quatre photos de test correctement classées, choisies pour leur clarté visuelle, issues du jeu de données Fabric Stain. Notre modèle Ultralytics YOLO26s-cls entraîné a correctement classé 65 images de test sur 71, dont 7 images propres sur 11 et 58 images tachées sur 60. Les vignettes sont des recadrages carrés des photos de test. Les scores indiquent la confiance du modèle, pas sa précision.

La meilleure plateforme pour entraîner un classificateur d’images personnalisé dépend de l’endroit où le modèle sera exécuté et du niveau de contrôle dont tu as besoin. Les plateformes cloud sans code comme Amazon Rekognition Custom Labels, AutoML sur Gemini Enterprise Agent Platform (anciennement Vertex AI AutoML), LandingLens et Ultralytics Platform te permettent de téléverser des images étiquetées et d’entraîner un modèle sans écrire de code. Les flux de travail pour développeurs, comme Amazon SageMaker AI, Azure Machine Learning AutoML et Hugging Face Transformers, te donnent davantage de contrôle sur le modèle et la tâche d’entraînement. Les outils axés sur l’edge, comme Edge Impulse, ciblent les petits appareils, et Teachable Machine est un outil gratuit pour créer rapidement un prototype dans le navigateur.

L’état du service compte au moment de faire ton choix. Microsoft retirera Azure Custom Vision le 25 septembre 2028, et Hugging Face AutoTrain n’est plus maintenu. Google appelle désormais Vertex AI AutoML AutoML sur Gemini Enterprise Agent Platform ; dans ce guide, nous abrégons ce nom en Google Cloud AutoML.

Ce guide compare des outils permettant d’entraîner un classificateur sur tes propres images étiquetées, explique comment choisir et montre comment tester un classificateur avant de t’engager. Pour choisir l’architecture du modèle, consulte le comparatif des modèles de classification d’images. Pour servir un modèle que tu possèdes déjà, consulte le comparatif des plateformes d’inférence en vision par ordinateur. Ultralytics publie ce comparatif et propose l’une des plateformes présentées.

Éléments à comparer#

La classification d’images attribue une ou plusieurs étiquettes à une image entière, par exemple « défectueux » ou « OK » pour une pièce sur une ligne de production. Les plateformes d’entraînement de classificateurs diffèrent sur cinq aspects plus importants que leurs listes de fonctionnalités :

• Étiquettes : une seule étiquette (une classe par image) ou plusieurs étiquettes (plusieurs classes par image). Les plateformes ne prennent pas toutes les deux modes en charge.
• Contrôle : AutoML choisit le modèle et les paramètres pour toi ; les plateformes pour développeurs te permettent de choisir l’architecture, la taille des images et les paramètres d’entraînement.
• Lieu d’exécution du modèle : certaines plateformes ne servent le modèle que depuis leur propre cloud, tandis que d’autres te permettent de l’exporter pour l’exécuter sur ton propre matériel.
• Modèle de coûts : les heures d’entraînement, d’hébergement et les frais de prédiction par image s’additionnent différemment. Un modèle qui doit rester en fonctionnement peut coûter plus cher que son entraînement.
• Emplacement des données : l’endroit où tes images sont stockées et traitées, un aspect important pour les données réglementées.

Comparatif des plateformes d’entraînement de classificateurs d’images#

Il s’agit de différents types d’outils : services AutoML gérés, flux de travail pour développeurs et prototypes dans le navigateur. Présélectionne les plateformes selon la prise en charge des étiquettes et le lieu d’exécution du modèle avant de comparer les coûts, et vérifie d’abord si un modèle préentraîné existant répond déjà à ton besoin.

Les plateformes sont listées par ordre alphabétique. La documentation des fournisseurs a été vérifiée le 9 novembre 2026 ; il s’agit d’un comparatif des fonctionnalités, et non d’une évaluation pratique. Sur les petits écrans, fais défiler le tableau horizontalement pour voir toutes les colonnes.

Exemples de présélection selon les besoins. Ces catégories se chevauchent ; vérifie la prise en charge des étiquettes, les droits de déploiement et la compatibilité de l’environnement d’exécution avant de choisir.

Ultralytics Platform entraîne des classificateurs à étiquette unique, où chaque image reçoit une classe. Si tu as besoin d’une classification à plusieurs étiquettes, envisage Azure Machine Learning AutoML ou Google Cloud AutoML.

Comment choisir#

Commence par le critère sur lequel tu es le moins flexible.

Tu ne veux pas écrire de code et tu as besoin d’une API gérée#

Choisis le service AutoML du cloud que tu utilises déjà : Amazon Rekognition Custom Labels sur AWS ou Google Cloud AutoML sur Google Cloud. Les deux gèrent le modèle et les paramètres à ta place. Vérifie combien de temps le modèle doit rester en fonctionnement, car Rekognition Custom Labels facture chaque heure d’activation du modèle, même lorsqu’il n’analyse pas d’images.

Tu as besoin d’exécuter le modèle sur ton propre matériel#

Choisis une plateforme qui exporte le modèle entraîné. Edge Impulse, Google Cloud AutoML (modèles Edge), Teachable Machine et Ultralytics Platform proposent l’export de modèles ; vérifie l’environnement d’exécution pris en charge, les limites de l’offre et les conditions de licence avant de choisir. Pour les PC, caméras et GPU d’usine, un modèle de classification YOLO26 exporté s’exécute avec ONNX, TensorRT ou OpenVINO. Edge Impulse est conçu pour les microcontrôleurs.

Tu veux un contrôle total sur le modèle#

Pour contrôler l’architecture et les paramètres d’entraînement, utilise SageMaker avec ton propre code d’entraînement ou crée un flux de travail avec PyTorch, TensorFlow, Keras, Hugging Face Transformers ou le paquet Ultralytics YOLO. Vérifie les architectures prises en charge par chaque bibliothèque. Les outils AutoML, comme Azure Machine Learning AutoML, offrent un contrôle parmi les modèles et paramètres qu’ils prennent en charge. Dans les deux cas, prévois davantage de configuration.

Tu migres depuis Azure Custom Vision#

Microsoft continuera de prendre entièrement en charge les clients existants jusqu’au 25 septembre 2028 et recommande Azure Machine Learning AutoML pour la classification personnalisée. Pour migrer, exporte tes images et leurs étiquettes, conserve les étiquettes multiples là où tu les utilisais et convertis-les au format d’importation de la nouvelle plateforme avant de relancer l’entraînement.

Tu apprends ou tu crées un prototype#

Teachable Machine est gratuit et permet d’entraîner un modèle dans le navigateur ; c’est donc un bon moyen de vérifier si tes classes sont séparables avant de constituer un jeu de données complet.

Comment vérifier un classificateur avant de t’engager#

La précision affichée dans la démo d’une plateforme t’apprend peu de choses sur tes propres images. Effectue le même test rapide sur chaque plateforme présélectionnée :

1. Sépare les jeux d’entraînement, de validation et de test. Choisis des images de test provenant des caméras et des conditions que le modèle rencontrera en production, et garde les quasi-doublons ainsi que les images issues d’une même séquence de capture dans le même jeu.
2. Entraîne une référence de base sur les mêmes images d’entraînement avec les paramètres par défaut de chaque plateforme, et note les éventuelles limites de calcul, de budget d’entraînement ou de taille d’image.
3. Choisis à l’aide du jeu de validation. Compare la précision, le rappel et la matrice de confusion pour chaque classe, ainsi que la vitesse sur le matériel que tu utiliseras, et définis les seuils à cette étape.
4. Teste une seule fois le choix final sur le jeu de test intact : la précision top-1 pour les classificateurs à étiquette unique, ou la précision, le rappel et le score F1 pour chaque étiquette dans les classificateurs à plusieurs étiquettes.
5. Vérifie le coût total : entraînement, frais d’hébergement ou de prédiction pour le volume prévu.
6. Vérifie les possibilités de sortie : peux-tu télécharger le modèle entraîné, dans quel format et sous quelle licence ?

Réutilise les mêmes images, étiquettes et partitions sur chaque plateforme, en les convertissant au format d’importation propre à chacune. À titre d’exemple, voici le test final avec 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}")

Consulte le format de jeu de données de classification pour l’organisation des dossiers, la documentation Classify pour des exemples de classification et les paramètres d’entraînement pour connaître toutes les options d’entraînement. Garde des dossiers train, val et test distincts : si le dossier test est absent, la vérification finale utilise les images de validation.

Le rôle d’Ultralytics#

Ultralytics prend en charge l’entraînement et l’export de classificateurs à étiquette unique. Compare ses résultats sur tes propres données avant de le choisir.

• Entraîne dans le cloud ou en local. Ultralytics Platform entraîne des classificateurs YOLO26 sur des GPU cloud depuis ton navigateur, et le paquet Python open source ultralytics entraîne les mêmes modèles sur ta propre machine.
• Prépare les données et entraîne dans un seul flux de travail. Importe des jeux de données organisés par dossiers de classes avec les instructions sur les jeux de données de la plateforme, vérifie les étiquettes et les partitions, puis entraîne dans Ultralytics Platform.
• Exécute le modèle là où tu en as besoin. Exporte-le vers ONNX, TensorRT, CoreML, LiteRT et d’autres formats, ou déploie-le sur un point de terminaison Platform.
• Connais les limites. Les classificateurs utilisent une seule étiquette. Les points de terminaison Platform s’exécutent sur CPU ; pour servir un grand volume sur GPU, mieux vaut utiliser ton propre matériel ou un autre cloud. Ultralytics propose des licences AGPL-3.0 et Enterprise : les déploiements propriétaires qui ne peuvent pas respecter les obligations d’AGPL-3.0 ont besoin d’une licence Enterprise.