Azure Custom Vision sta per essere ritirato: checklist per la migrazione dei tuoi modelli di visione
Azure Custom Vision cesserà di funzionare il 25 settembre 2028. Pianifica la migrazione, esporta i dati etichettati e addestra nuovamente i modelli su Ultralytics Platform.
Jing Qiu15 min di lettura
Azure Custom Vision cesserà di funzionare il 25 settembre 2028. I team che usano l'addestramento o le previsioni nel cloud avranno bisogno di un'alternativa prima di quella data; anche i team che eseguono modelli esportati avranno bisogno di un ambiente in cui addestrarli di nuovo, man mano che cambiano prodotti e telecamere. È il momento giusto per passare a una piattaforma su cui potrai continuare a etichettare, addestrare e distribuire i modelli per anni.
Questa checklist illustra cinque passaggi per facilitare la migrazione: fai l'inventario di ciò che usi oggi, recupera i dati etichettati, scegli dove trasferirti, verifica il nuovo modello sulle tue immagini e poi effettua il passaggio mantenendo un'alternativa di riserva. Lungo il percorso, mostra come trasferire ogni parte di un progetto Custom Vision a Ultralytics Platform, dove puoi etichettare, addestrare e distribuire i modelli Ultralytics YOLO in un unico posto, offrendo al tuo team una soluzione stabile a lungo termine invece di una misura temporanea.
Cosa cambia e quando#
Secondo le indicazioni di Microsoft per la migrazione da Custom Vision:
- 25 settembre 2028: Custom Vision viene ritirato e il servizio non sarà più disponibile. Fino ad allora Microsoft fornirà pieno supporto ai clienti esistenti.
- 25 settembre 2026: la data entro cui Microsoft ha chiesto ai clienti di pianificare la transizione.

Date di ritiro di Azure Custom Vision e dell'API Image Analysis indicate da Microsoft nelle sue istruzioni per la migrazione.
Cosa comporta in pratica:
- L'addestramento e le previsioni nel cloud verranno interrotti. Qualsiasi applicazione che chiama un endpoint di previsione di Custom Vision avrà bisogno di un nuovo endpoint prima della data di ritiro.
- I modelli esportati possono garantire la continuità. Custom Vision consente di esportare un modello in ONNX, TensorFlow, TensorFlow.js, CoreML o in un container Docker per eseguirlo sul tuo hardware. I file di modello, come quelli ONNX, non chiamano il servizio; Microsoft dichiara che il container Docker include il codice di servizio per l'API Custom Vision, quindi testalo quando il servizio non è disponibile prima di farci affidamento. L'esportazione è possibile solo per i progetti che usano un dominio compatto e Microsoft segnala che i modelli compatti potrebbero essere leggermente meno accurati di quelli con dominio standard. Dopo il ritiro, inoltre, non potrai addestrare nuovamente in Custom Vision un modello esportato; le sue prestazioni potrebbero quindi peggiorare man mano che cambiano i tuoi prodotti, le telecamere e i difetti.
- Anche l'API Image Analysis verrà ritirata nella stessa data. Secondo Microsoft, l'API Image Analysis verrà ritirata il 25 settembre 2028, insieme ai container connessi e disconnessi. Se usi entrambi i servizi, pianifica un'unica migrazione, non due.
- Conserva le immagini e le etichette per la migrazione. Un modello riaddestrato può essere efficace solo quanto il dataset su cui si basa, quindi conserva i dati etichettati insieme agli eventuali modelli esportati supportati.

Disponibilità del servizio e opzioni di esportazione al momento del ritiro, sulla base della documentazione di Microsoft sulla migrazione e l'esportazione.
Passaggio 1: fai l'inventario di ciò che usi oggi#
Prima di confrontare le alternative, annota ciò che hai. Per ogni progetto Custom Vision, registra:
- Tipo di progetto: classificazione di immagini (multiclasse o multilabel) oppure rilevamento di oggetti.
- Dominio: standard o compatto. Solo i progetti con dominio compatto possono esportare un modello.
- Dove vengono usate le previsioni: ogni applicazione, script, dispositivo o flusso di lavoro che chiama l'endpoint di previsione, e chi ne è responsabile.
- Criteri di accettazione del modello attuale: la precisione e il richiamo su cui fai affidamento oggi e gli errori più costosi. Un difetto non rilevato e un falso scarto raramente hanno lo stesso costo.
- Il dataset: numero di immagini, tag e numero di immagini con tag rispetto a quelle senza tag.
- Vincoli: latenza, ambiente in cui deve essere eseguita l'inferenza (cloud, stabilimento, dispositivo mobile, offline), residenza dei dati e utenti che devono avere accesso.
| Progetto | Tipo | Dominio | Usato da (responsabile) | Criteri di accettazione | Immagini (con tag / senza tag) | Tag | Vincoli |
|---|---|---|---|---|---|---|---|
| Esempio: difetti-saldatura | Rilevamento di oggetti | Generale (compatto) | App QA linea 3 (IT stabilimento) | Richiamo di almeno il 95% sulle crepe; falsi scarti inferiori al 2% | 4,200 / 1,100 | 3 | In sede, meno di 200 ms |
La prima riga è un esempio del livello di dettaglio da registrare, non contiene dati di un progetto reale.
Questo elenco diventa la base dei requisiti per l'alternativa e del piano di test per il passaggio.
Passaggio 2: recupera subito i dati etichettati#
Le indicazioni di Microsoft consigliano di esportare prima i dataset etichettati e i metadati dei modelli, quindi convertirli nel formato richiesto dalla nuova piattaforma. Fallo mentre il servizio è ancora pienamente supportato, così avrai tempo per convalidare l'esportazione.
- Immagini ed etichette: l'operazione Get Tagged Images dell'API di addestramento di Custom Vision restituisce i metadati delle immagini, i tag e, per il rilevamento di oggetti, le regioni. Imposta
takesu 256, scorri le pagine conskipe scarica ogni immagine originale tramite il relativooriginalImageUri. I soli metadati non costituiscono una copia di backup delle immagini. I progetti con la funzionalità VNET abilitata restituiscono percorsi relativi, che puoi recuperare con GetArtifact. - Verifica i conteggi: prima di fare affidamento sull'esportazione, controlla per ogni tag che il numero di immagini e di etichette esportate corrisponda a quello riportato dal progetto.
- Registra le impostazioni associate ai dati: ID di progetto e dei tag, corrispondenza tra tag e classi, dominio, iterazione pubblicata, soglie di confidenza e preelaborazione usate dalle tue applicazioni.
- Assicurati di sapere cosa fa ExportProject: l'API ExportProject di Microsoft copia un progetto in un altro account Custom Vision usando un token temporaneo. Non è una copia di backup portabile del dataset.
- Riquadri di delimitazione: le regioni di rilevamento vengono restituite come
left,top,widtheheightin coordinate normalizzate, relative alle dimensioni dell'immagine. Per convertirle nel formato YOLO (centro x, centro y, larghezza e altezza normalizzati) o in COCO, devi convertire le coordinate, mappare le classi ed eseguire una convalida per individuare i riquadri posizionati nel punto sbagliato.

Lo stesso riquadro in entrambi i formati. Entrambi usano coordinate normalizzate rispetto alle dimensioni dell'immagine.
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"- Immagini senza tag: esportale anche con l'operazione Get Untagged Images. Potranno fornire altri esempi utili per l'addestramento una volta etichettate.
Prima di esportare, verifica due numeri nella pagina dei limiti di Microsoft. Custom Vision richiede almeno 5 immagini etichettate per tag per la classificazione e 15 per il rilevamento di oggetti, e ne consiglia almeno 50 per entrambi. Inoltre, conserva le immagini di previsione solo per 30 giorni: salva subito quelle che vuoi usare per il riaddestramento.
- Modelli: per i progetti con dominio compatto, esporta il modello attuale come soluzione di riserva da eseguire durante la transizione. Un progetto con dominio standard deve passare a un dominio compatto ed essere riaddestrato prima di poter essere esportato; il modello compatto potrebbe essere leggermente meno accurato.
Conserva invariata l'esportazione grezza e convertine una copia, così potrai sempre tornare all'originale. Se passi a Ultralytics Platform, il formato YOLO è una scelta naturale, perché Platform importa direttamente i dataset YOLO, COCO e Ultralytics NDJSON.
Passaggio 3: scegli il tipo di alternativa#
I team che si affidavano ad Amazon Lookout for Vision, ritirato da AWS il 31 ottobre 2025, hanno dovuto affrontare la stessa scelta. Non esiste un'unica risposta giusta. L'alternativa migliore dipende dal tuo scenario e da quanta parte della pipeline vuoi gestire direttamente con il tuo team.
| Opzione | Ideale per | Cosa gestisce il tuo team | Aspetti da verificare |
|---|---|---|---|
| Azure Machine Learning con AutoML (percorso suggerito da Microsoft) | Team che restano nell'ambiente Azure e vogliono personalizzare la classificazione e il rilevamento | Workspace, risorse di calcolo e distribuzione di Azure ML | Impegno necessario per ricostruire i flussi di lavoro di addestramento e distribuzione in Azure ML |
| Servizio ML gestito di un altro provider cloud, come Amazon SageMaker AI, Amazon Rekognition Custom Labels o Gemini Enterprise Agent Platform su Google Cloud | Team che adottano quel cloud come standard | Configurazione di addestramento, distribuzione e monitoraggio del provider | Opzioni di esportazione, impegno richiesto per la migrazione e possibilità di trasferire il modello in futuro |
| Servizi di IA generativa in Microsoft Foundry (percorso suggerito da Microsoft) | Team disposti a riprogettare la soluzione usando modelli basati su prompt o generativi | Progettazione dei prompt, valutazione e gestione della soluzione | Precisione sui tuoi difetti o oggetti specifici, latenza e coerenza |
| Piattaforma di visione dedicata e addestrabile, come LandingLens di Landing AI o Ultralytics Platform | Team che vogliono etichettatura, addestramento e distribuzione in un unico posto, con infrastruttura gestita per l'addestramento e la distribuzione | Dataset, etichettatura, valutazione e integrazione con le tue applicazioni | Attività supportate, formati di importazione, destinazioni di distribuzione, portabilità dei modelli addestrati e controlli di accesso per il team |
| Sviluppo basato su framework open source | Team con ingegneri ML che vogliono il pieno controllo | Codice di addestramento, infrastruttura e monitoraggio | Manutenzione a lungo termine e personale necessario |
| Sistema di ispezione chiavi in mano | Linee di produzione che vogliono hardware, software e integrazione da un unico fornitore | Coordinamento con il fornitore, test di accettazione e assistenza continuativa | Flessibilità quando cambiano i prodotti e i tipi di difetti |
Valuta ogni opzione rispetto all'inventario del passaggio 1, considerando l'impegno necessario per la migrazione, i costi ricorrenti di calcolo e assistenza, i requisiti di approvvigionamento e l'eventuale stato di anteprima del servizio. Se per il tuo team era importante avere etichettatura, addestramento e distribuzione in un unico posto, una piattaforma di visione dedicata e addestrabile offre un flusso di lavoro integrato analogo; la sezione "Passaggio a Ultralytics Platform" qui sotto mostra come trasferire ogni parte del progetto. Se l'inferenza deve essere eseguita su un dispositivo o offline, verifica prima i formati di esportazione. Se più persone etichettano e revisionano i dati, verifica ruoli e autorizzazioni del team.
Passaggio 4: convalida sui tuoi dati#
Affianca agli esempi del fornitore una valutazione sui tuoi dati:
- Suddividi i dati in tre gruppi: addestramento, convalida e un insieme di test intatto, mai visto dal nuovo modello, che includa i casi più difficili e rari. Se pertinente, suddividi i dati per lotto di produzione, telecamera o periodo e rimuovi le immagini quasi duplicate tra i gruppi, in modo che il test rifletta condizioni nuove.
- Addestra nuovamente il modello sul dataset esportato usando gli stessi tag o le stesse classi.
- Confronta i risultati con i criteri di accettazione del passaggio 1, non soltanto con un singolo valore di accuratezza. Esamina separatamente i rilevamenti mancati e i falsi allarmi.
- Esegui i test nell'ambiente effettivo: con le stesse telecamere, gli stessi dispositivi o lo stesso percorso di rete della produzione.
- Adatta l'integrazione: verifica l'autenticazione, i formati delle richieste e delle risposte, la preelaborazione, le soglie di confidenza e la gestione degli errori dell'alternativa, quindi aggiorna e testa ogni applicazione invece di presumere che basti cambiare l'URL dell'endpoint.
- Esegui i test con il carico di produzione: verifica la concorrenza, le avviature a freddo, i tentativi e cosa succede durante un'interruzione del servizio.
Su Ultralytics Platform puoi addestrare il modello sul dataset convertito usando l'addestramento cloud e seguire le metriche in tempo reale, per poi testare il modello nelle condizioni di produzione.
Se il nuovo modello non raggiunge i risultati attesi, prima di scegliere una soluzione analizza le etichette, la preelaborazione, l'idoneità del modello e il comportamento in fase di distribuzione. La migrazione è un buon momento per correggere le etichette incoerenti e aggiungere esempi dei casi che mettevano in difficoltà il vecchio modello.
Passaggio 5: pianifica il passaggio#

Sequenza di passaggio per ogni applicazione che oggi chiama Custom Vision.
- Esegui i modelli in parallelo. Per un periodo, invia le stesse immagini al modello vecchio e a quello nuovo e confronta i risultati prima di effettuare il passaggio.
- Passa un'applicazione alla volta, iniziando da quella a minor rischio.
- Definisci in anticipo le condizioni per il rollback, ad esempio un tasso di mancato rilevamento o di falsi rifiuti superiore a un limite concordato, e mantieni un'alternativa finché non hai piena fiducia: l'endpoint Custom Vision attuale prima della dismissione oppure, in seguito, un'alternativa distribuita separatamente e già testata, ad esempio un modello compatto esportato.
- Assegna un responsabile per la migrazione di ogni applicazione, così nessuna continuerà a chiamare un endpoint dismesso.
- Adattati al modo in cui viene eseguita oggi ogni applicazione. Su Ultralytics Platform, un modello può fornire previsioni tramite un endpoint dedicato oppure essere esportato per l'esecuzione sul tuo hardware, offrendo così un percorso sia alle applicazioni che chiamano il cloud sia a quelle eseguite sul dispositivo.
- Decidi chi è responsabile del riaddestramento. I prodotti, l'illuminazione e i tipi di difetti cambiano. Concorda chi esamina i nuovi dati e con quale frequenza riaddestrare il modello, così il nuovo sistema può adattarsi ai cambiamenti delle condizioni di produzione.
Passare a Ultralytics Platform#
Se al tuo team piaceva il flusso di lavoro di Custom Vision, che riunisce etichettatura, addestramento e distribuzione in un unico posto, Ultralytics Platform offre lo stesso flusso di lavoro completo, basato sui modelli Ultralytics YOLO. Ecco dove si trova ogni parte di un progetto Custom Vision dopo la migrazione:
| In Custom Vision | In Ultralytics Platform |
|---|---|
| Progetti di classificazione e rilevamento di oggetti | Dataset per classificazione e rilevamento, oltre a segmentazione, pose e riquadri delimitatori orientati |
| Immagini ed aree contrassegnate | Carica l'esportazione convertita nei formati YOLO, COCO o Ultralytics NDJSON |
| Etichettatura nel portale | Un editor di annotazioni con annotazione intelligente per il rilevamento, tramite SAM, modelli YOLO preaddestrati o un tuo modello ottimizzato. Le immagini di classificazione vengono etichettate manualmente |
| Iterazioni di addestramento | Addestramento nel cloud su GPU, con metriche trasmesse in tempo reale e checkpoint salvati automaticamente |
| Endpoint di previsione | Endpoint dedicati in 42 regioni |
| Esportazioni compatte per dispositivi | Esportazione del modello in formati come ONNX, TensorRT e CoreML, in base alla compatibilità del modello e dell'attività |
| Accesso condiviso al progetto | Spazi di lavoro del team con ruoli Owner, Admin, Editor e Viewer (verifica i requisiti per il team), in una regione dati negli Stati Uniti, nell'UE o nell'Asia-Pacifico |

La finestra Nuovo dataset di Ultralytics Platform accetta dataset YOLO, COCO e Ultralytics NDJSON. I limiti di caricamento mostrati si riferiscono all'account utilizzato in questo screenshot.
Ecco alcuni aspetti da pianificare:
- Riaddestra invece di importare. Non è possibile caricare i modelli Custom Vision, quindi addestra un modello YOLO sui dati esportati.
- Classificazione multilabel. I dataset di classificazione di Platform utilizzano un'unica etichetta per immagine; decidi quindi come gestire i progetti multilabel prima di migrarli.
- Privacy e regione. I nuovi dataset sono pubblici o privati a seconda della visibilità predefinita dello spazio di lavoro, quindi imposta su Private i dataset proprietari quando li crei. La regione dei dati viene scelta al momento della registrazione e in seguito non potrai modificarla autonomamente.
- Capacità di erogazione. Ogni endpoint dedicato esegue una sola istanza attiva. La dimensione predefinita si riduce a zero quando è inattiva, mentre le dimensioni personalizzate mantengono un'istanza pronta: confronta quindi throughput e avvii a freddo con i requisiti di produzione oppure esporta il modello per eseguirlo sulla tua infrastruttura.
- Ambito. Una piattaforma di visione sostituisce la componente del modello di un sistema di ispezione, non le telecamere, l'illuminazione o l'integrazione della linea che lo circondano.
Inizia con un progetto: converti un'esportazione rappresentativa di un dataset Custom Vision in un formato supportato, caricala su Ultralytics Platform, addestra un modello e confrontalo con i criteri di accettazione concordati al passaggio 1. Stai pianificando una migrazione più ampia? Parla con il nostro team del numero di progetti, dei tipi di attività, delle dimensioni dei dataset, degli obiettivi di latenza e dei vincoli di distribuzione.
Domande frequenti
Il 25 settembre 2028. Microsoft supporterà i clienti esistenti fino ad allora e ha chiesto loro di pianificare la transizione entro il 25 settembre 2026.
Un file di modello esportato in ONNX, TensorFlow, TensorFlow.js o CoreML viene eseguito sul tuo hardware senza chiamare il servizio Custom Vision, quindi può continuare a funzionare. Se utilizzi il container Docker esportato, testalo con il servizio non disponibile prima di farvi affidamento. Non potrai riaddestrarlo in Custom Vision e le esportazioni sono disponibili solo per i progetti con dominio compatto.
Sì. L'operazione Get Tagged Images dell'API Training restituisce i metadati delle immagini, le etichette e le aree di rilevamento degli oggetti, fino a 256 immagini per richiesta, con un
originalImageUriper ogni immagine originale (i progetti con la funzionalità VNET abilitata restituiscono percorsi relativi che recuperi con GetArtifact). Scarica le immagini vere e proprie, quindi converti le aree nel formato utilizzato dalla nuova piattaforma, ad esempio YOLO o COCO.Le indicazioni di migrazione di Microsoft suggeriscono Azure Machine Learning con AutoML per la classificazione e il rilevamento personalizzati e le opzioni di IA generativa in Microsoft Foundry, tra cui Azure Content Understanding per la classificazione personalizzata.
Per passare a Ultralytics Platform, pianifica di addestrare un modello YOLO supportato sul dataset convertito, perché Platform non supporta il caricamento dei modelli esportati da Custom Vision. Conserva le etichette, verificane la qualità e convalida il nuovo modello prima del passaggio.
Scritto da
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.










