Le migliori piattaforme per addestrare classificatori di immagini personalizzati

Scena di ispezione illustrativa generata dall'IA. I riquadri mostrano quattro foto di test classificate correttamente, selezionate per chiarezza visiva, dal Fabric Stain Dataset. Il nostro modello Ultralytics YOLO26s-cls addestrato ha classificato correttamente 65/71 immagini di test, tra cui 7/11 immagini senza macchie e 58/60 immagini macchiate. I riquadri sono ritagli quadrati delle foto di test. I punteggi indicano la confidenza del modello, non la precisione.

La piattaforma migliore per addestrare un classificatore di immagini personalizzato dipende da dove verrà eseguito il modello e da quanto controllo ti serve. Le piattaforme cloud senza codice, come Amazon Rekognition Custom Labels, AutoML su Gemini Enterprise Agent Platform (in precedenza Vertex AI AutoML), LandingLens e Ultralytics Platform, ti consentono di caricare immagini etichettate e addestrare senza scrivere codice. I flussi di lavoro per sviluppatori, come Amazon SageMaker AI, Azure Machine Learning AutoML e Hugging Face Transformers, offrono più controllo sul modello e sul processo di addestramento. Gli strumenti orientati all'edge, come Edge Impulse, sono pensati per dispositivi di piccole dimensioni, mentre Teachable Machine è uno strumento gratuito per realizzare prototipi nel browser.

Lo stato del servizio è importante quando scegli. Microsoft ritirerà Azure Custom Vision il 25 settembre 2028 e Hugging Face AutoTrain non è più mantenuto. Google ora chiama Vertex AI AutoML AutoML su Gemini Enterprise Agent Platform; in questa guida lo abbreviamo in Google Cloud AutoML.

Questa guida confronta gli strumenti per addestrare un classificatore sulle tue immagini etichettate, spiega come scegliere e mostra come testare un classificatore prima di impegnarti. Per scegliere l'architettura del modello, consulta il confronto tra modelli di classificazione delle immagini. Per distribuire un modello che hai già, consulta il confronto tra piattaforme di inferenza per la visione artificiale. Ultralytics pubblica questo confronto e offre una delle piattaforme incluse.

Cosa confrontare#

La classificazione delle immagini assegna una o più etichette a un'intera immagine, ad esempio «difettoso» o «OK» per un componente su una linea di produzione. Le piattaforme per addestrare classificatori differiscono in cinque aspetti più importanti delle loro liste di funzionalità:

• Etichette: una sola etichetta (una classe per immagine) oppure più etichette (diverse classi per immagine). Non tutte le piattaforme supportano entrambe le modalità.
• Controllo: AutoML sceglie il modello e le impostazioni al posto tuo; le piattaforme per sviluppatori ti consentono di scegliere l'architettura, le dimensioni delle immagini e le impostazioni di addestramento.
• Dove viene eseguito il modello: alcune piattaforme offrono il modello solo tramite il proprio cloud, mentre altre consentono di esportarlo per eseguirlo sul tuo hardware.
• Modello di costo: i costi per il tempo di addestramento, le ore di hosting e le previsioni per immagine si sommano in modo diverso. Un modello che deve rimanere sempre in esecuzione può costare più dell'addestramento.
• Posizione dei dati: dove vengono archiviate ed elaborate le tue immagini, un aspetto importante per i dati regolamentati.

Confronto tra piattaforme per addestrare classificatori di immagini#

Si tratta di strumenti di tipo diverso: servizi AutoML gestiti, flussi di lavoro per sviluppatori e prototipi nel browser. Seleziona le opzioni in base al supporto delle etichette e al luogo in cui deve essere eseguito il modello prima di confrontare i costi; verifica innanzitutto se un modello preaddestrato esistente è già adatto allo scopo.

Le piattaforme sono elencate in ordine alfabetico. La documentazione dei fornitori è stata verificata il 9 novembre 2026; si tratta di un confronto delle funzionalità, non di un benchmark pratico. Sugli schermi piccoli, scorri la tabella orizzontalmente per vedere tutte le colonne.

Esempi di selezione in base ai requisiti. I gruppi si sovrappongono; prima di scegliere, verifica il supporto delle etichette, i diritti di distribuzione e la compatibilità con l'ambiente di esecuzione.

Ultralytics Platform addestra classificatori con una sola etichetta, in cui a ogni immagine viene assegnata una classe. Se ti serve la classificazione con più etichette, valuta Azure Machine Learning AutoML o Google Cloud AutoML.

Come scegliere#

Parti dalla decisione su cui hai meno margine di flessibilità.

Vuoi evitare il codice e usare un'API gestita#

Scegli il servizio AutoML nel cloud che già utilizzi: Amazon Rekognition Custom Labels su AWS o Google Cloud AutoML su Google Cloud. Entrambi gestiscono il modello e le impostazioni al posto tuo. Verifica per quanto tempo il modello deve rimanere in esecuzione, perché Rekognition Custom Labels fattura ogni ora in cui un modello è avviato, anche quando non sta analizzando immagini.

Ti serve eseguire il modello sul tuo hardware#

Scegli una piattaforma che esporti il modello addestrato. Edge Impulse, Google Cloud AutoML (modelli Edge), Teachable Machine e Ultralytics Platform offrono l'esportazione dei modelli; prima di scegliere, verifica gli ambienti di esecuzione supportati, i limiti del piano e i termini di licenza. Per PC, telecamere e GPU di fabbrica, un modello di classificazione YOLO26 esportato può essere eseguito con ONNX, TensorRT o OpenVINO. Edge Impulse è progettato per i microcontrollori.

Vuoi il pieno controllo sul modello#

Per controllare l'architettura e le impostazioni di addestramento, usa SageMaker con codice di addestramento personalizzato oppure crea un flusso di lavoro con PyTorch, TensorFlow, Keras, Hugging Face Transformers o il pacchetto Ultralytics YOLO. Verifica quali architetture supporta ciascuna libreria. Gli strumenti AutoML, come Azure Machine Learning AutoML, consentono di controllare i modelli e le impostazioni supportati. In entrambi i casi, aspettati di dover configurare più elementi.

Stai migrando da Azure Custom Vision#

Microsoft continuerà a fornire pieno supporto ai clienti esistenti fino al 25 settembre 2028 e consiglia Azure Machine Learning AutoML per la classificazione personalizzata. Per la migrazione, esporta le immagini e le relative etichette, mantieni le etichette multiple nei casi in cui le hai usate e convertile nel formato di importazione della nuova piattaforma prima di ripetere l'addestramento.

Stai imparando o realizzando prototipi#

Teachable Machine è gratuito e addestra i modelli nel browser: è quindi un buon modo per verificare se le tue classi sono distinguibili prima di raccogliere un dataset completo.

Come verificare un classificatore prima di impegnarti#

La precisione dichiarata nelle demo di una piattaforma dice poco sulle tue immagini. Esegui lo stesso breve test su ogni piattaforma selezionata:

1. Tieni separati i set di addestramento, convalida e test. Prendi le immagini di test dalle telecamere e nelle condizioni che il modello incontrerà in produzione; mantieni nello stesso set le immagini quasi duplicate e quelle della stessa sequenza di acquisizione.
2. Addestra un modello di riferimento sulle stesse immagini di addestramento usando le impostazioni predefinite di ciascuna piattaforma e annota eventuali limiti di risorse di calcolo, budget di addestramento o dimensioni delle immagini.
3. Scegli usando il set di convalida. Confronta precisione, richiamo e matrice di confusione per ciascuna classe, oltre alla velocità sull'hardware che userai, e imposta qui eventuali soglie.
4. Testa una sola volta la scelta finale sul set di test intatto: accuratezza top-1 per i classificatori con una sola etichetta oppure precisione, richiamo e F1 per ogni etichetta nei classificatori con più etichette.
5. Verifica il costo totale: addestramento più costi di hosting o di previsione in base al volume previsto.
6. Verifica le opzioni di uscita: puoi scaricare il modello addestrato? In quale formato e con quale licenza?

Riutilizza le stesse immagini, etichette e suddivisioni su tutte le piattaforme, convertendole nel formato di importazione specifico di ciascuna. Come esempio facoltativo, ecco il test finale con 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}")

Consulta il formato dei dataset di classificazione per la struttura delle cartelle, la documentazione Classify per esempi di classificazione e le impostazioni di addestramento per tutte le opzioni di addestramento. Mantieni separate le cartelle train, val e test: se manca la cartella test, il controllo finale usa le immagini di convalida.

Il ruolo di Ultralytics#

Ultralytics supporta l'addestramento e l'esportazione di classificatori con una sola etichetta. Prima di scegliere Ultralytics, confronta i risultati sui tuoi dati.

• Addestra nel cloud o in locale. Ultralytics Platform addestra classificatori YOLO26 su GPU cloud dal browser, mentre il pacchetto Python open source ultralytics addestra gli stessi modelli sul tuo computer.
• Prepara i dati e addestra in un unico flusso di lavoro. Importa i dataset organizzati in cartelle per classe seguendo le istruzioni per i dataset della Platform, controlla le etichette e le suddivisioni, quindi addestra in Ultralytics Platform.
• Esegui il modello dove ti serve. Esporta in ONNX, TensorRT, CoreML, LiteRT e altri formati oppure distribuisci il modello su un endpoint della Platform.
• Conosci i limiti. I classificatori usano una sola etichetta. Gli endpoint della Platform vengono eseguiti su CPU, quindi per servire volumi elevati su GPU è preferibile usare il tuo hardware o un altro cloud. Ultralytics offre le licenze AGPL-3.0 ed Enterprise: le distribuzioni proprietarie che non possono rispettare gli obblighi AGPL-3.0 richiedono una licenza Enterprise.