Azure Custom Vision が終了します:ビジョンモデルの移行チェックリスト
Azure Custom Vision は 2028 年 9 月 25 日に終了します。移行を計画し、ラベル付きデータをエクスポートして、Ultralytics Platform で再トレーニングしてください。
Jing Qiu15 分で読めます
Azure Custom Vision は 2028 年 9 月 25 日に終了します。クラウドトレーニングや予測を利用しているチームは、それまでに代替サービスを用意する必要があります。また、エクスポート済みモデルを実行しているチームも、製品やカメラの変化に合わせて再トレーニングできる環境が必要です。今後何年にもわたってラベル付け、トレーニング、デプロイを続けられるプラットフォームに移行する良い機会です。
このチェックリストでは、移行をスムーズに進めるための 5 つの手順を紹介します。現在の利用状況を把握し、ラベル付きデータを取り出し、移行先を選び、自社の画像で新しいモデルを検証してから、切り戻し手段を用意して切り替えます。また、Custom Vision プロジェクトの各要素を Ultralytics Platform に移行する方法も説明します。ここでは Ultralytics YOLO モデルのラベル付け、トレーニング、デプロイを一か所で行えるため、一時しのぎではなく、チームが長期的に利用できる環境へ移行できます。
何が、いつ変わるのか#
Microsoft の Custom Vision 移行ガイダンスによると、次のとおりです。
- 2028 年 9 月 25 日: Custom Vision は終了し、サービスを利用できなくなります。それまでは、Microsoft が既存の顧客を全面的にサポートします。
- 2026 年 9 月 25 日: Microsoft が顧客に移行計画の策定を求めた期限です。

Microsoft の移行ガイダンスに記載された Azure Custom Vision と Image Analysis API の終了日。
実際には、次のような影響があります。
- クラウドトレーニングと予測が停止します。 Custom Vision の予測エンドポイントを呼び出すアプリケーションは、終了日までに新しいエンドポイントが必要です。
- エクスポート済みモデルはサービス終了後も利用できます。 Custom Vision では、モデルをエクスポートして ONNX、TensorFlow、TensorFlow.js、CoreML、または Docker コンテナ形式にし、自社のハードウェア上で実行できます。ONNX などのモデルファイルはサービスを呼び出しません。Microsoft によると、Docker コンテナには Custom Vision API のサービスコードが含まれるため、依存する前にサービスが利用できない状態でテストしてください。エクスポートできるのはコンパクトドメインを使用するプロジェクトに限られます。また、Microsoft はコンパクトモデルの精度が標準ドメインモデルより若干低い場合があるとしています。終了後はエクスポート済みモデルを Custom Vision で再トレーニングできないため、製品、カメラ、不良の変化に伴って性能が低下する可能性があります。
- Image Analysis API も同じ日に終了します。 Microsoft によると、接続コンテナと非接続コンテナを含め、Image Analysis API は 2028 年 9 月 25 日に終了します。両方のサービスを利用している場合は、個別に 2 回ではなく、1 回の移行として計画してください。
- 移行に備えて画像とラベルを保存してください。 再トレーニング済みモデルの品質は基盤となるデータセットの品質に左右されるため、サポート対象のモデルエクスポートとともに、ラベル付きデータを保存してください。

Microsoft の移行およびエクスポートに関するドキュメントに基づく、サービス終了時の利用可否とエクスポートオプション。
ステップ 1:現在の利用状況を把握する#
比較を始める前に、現在の構成を書き出してください。Custom Vision の各プロジェクトについて、次の項目を記録します。
- プロジェクトの種類: 画像分類(マルチクラスまたはマルチラベル)か物体検出か。
- ドメイン: 標準ドメインかコンパクトドメインか。モデルをエクスポートできるのはコンパクトドメインのプロジェクトだけです。
- 予測の利用先: 予測エンドポイントを呼び出すすべてのアプリケーション、スクリプト、デバイス、ワークフローと、その担当者。
- 現在のモデルの受け入れ基準: 現在求めている適合率と再現率、および最も影響の大きい誤り。見逃した不良と誤検出による不合格では、通常コストが異なります。
- データセット: 画像数、タグ数、タグ付け済み画像と未タグ画像の数。
- 制約: レイテンシ、推論の実行場所(クラウド、工場、モバイル、オフライン)、データレジデンシー、アクセスが必要なユーザー。
| プロジェクト | 種類 | 分野 | 呼び出し元(担当者) | 受け入れ基準 | 画像(タグ付け済み/未タグ) | タグ | 制約 |
|---|---|---|---|---|---|---|---|
| 例:weld-defects | 物体検出 | General(コンパクト) | Line 3 QA app(Plant IT) | 亀裂の再現率 95% 以上、誤検出による不合格率 2% 未満 | 4,200 / 1,100 | 3 | オンサイト、200 ms 未満 |
最初の行は記録する詳細度の例であり、実際のプロジェクトのデータではありません。
この一覧が、代替サービスの要件と切り替え時のテスト計画になります。
ステップ 2:ラベル付きデータを早めに取り出す#
Microsoft は、まずラベル付きデータセットとモデルのメタデータをエクスポートし、それを新しいプラットフォームで必要な形式に変換するよう案内しています。サービスが完全にサポートされている間に作業し、エクスポートを検証する時間を確保してください。
- 画像とラベル: Custom Vision Training API の Get Tagged Images 操作は、画像のメタデータ、タグ、および物体検出の場合は領域を返します。
takeを 256 に設定し、skipでページを順次取得し、各元画像をoriginalImageUri経由でダウンロードします。メタデータだけでは画像のバックアップになりません。VNET 機能が有効なプロジェクトでは相対パスが返されるため、代わりに GetArtifact で取得してください。 - 件数を確認する: エクスポートに依存する前に、各プロジェクトで報告される画像数とラベル数が、タグごとにエクスポート結果と一致することを確認してください。
- データに関する設定を記録する: プロジェクト ID とタグ ID、タグとクラスの対応関係、ドメイン、公開済みのイテレーション、アプリケーションで使用している信頼度しきい値と前処理を記録します。
- ExportProject の機能を理解する: Microsoft の ExportProject API は、一時トークンを使用してプロジェクトを別の Custom Vision アカウントにコピーします。データセットのポータブルなバックアップではありません。
- バウンディングボックス: 検出領域は
left、top、width、heightとして返され、画像サイズに対する正規化座標で表されます。これらを YOLO 形式(正規化された中心 x、中心 y、幅、高さ)または COCO に変換するには、座標変換とクラス対応付けを行い、ボックスの位置ずれを検出するための検証が必要です。

両方の形式で表した同じボックス。どちらも画像サイズで正規化された座標を使用します。
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"- 未タグ画像: Get Untagged Images 操作を使って、これらの画像もエクスポートしてください。ラベル付けが可能になれば、追加の有用なトレーニング例として利用できます。
エクスポート前に、Microsoft の制限ページで 2 つの数値を確認してください。 Custom Vision では、分類の場合はタグごとにラベル付き画像が最低 5 枚、物体検出の場合は 15 枚必要で、どちらも 50 枚以上が推奨されています。また、予測画像は 30 日間しか保存されないため、再トレーニング用に必要な画像は今すぐ保存してください。
- モデル: コンパクトドメインのプロジェクトでは、移行期間中に実行するフォールバックとして、現在のモデルをエクスポートしてください。標準ドメインのプロジェクトは、コンパクトドメインに切り替えて再トレーニングしないとエクスポートできず、コンパクトモデルの精度は若干低くなる可能性があります。
未加工のエクスポートは変更せずに保管し、コピーを変換してください。そうすれば、いつでも元のデータに戻せます。Ultralytics Platform に移行する場合は、Platform が YOLO、COCO、Ultralytics NDJSON のデータセットを直接インポートできるため、YOLO 形式が自然な移行先です。
ステップ 3:代替サービスの種類を選ぶ#
AWS が 2025 年 10 月 31 日に終了した Amazon Lookout for Vision を利用していたチームも、同じ選択を迫られました。唯一の正解はありません。最適な代替サービスは、利用シナリオと、パイプラインのどこまでをチームが担いたいかによって異なります。
| 選択肢 | 最適な用途 | チームが管理するもの | 確認事項 |
|---|---|---|---|
| AutoML を備えた Azure Machine Learning(Microsoft 推奨の方法) | Azure 内にとどまり、カスタム分類と検出を行いたいチーム | Azure ML のワークスペース、コンピューティング、デプロイ | トレーニングとデプロイのワークフローを Azure ML で再構築するための労力 |
| Amazon SageMaker AI、Amazon Rekognition Custom Labels、Google Cloud の Gemini Enterprise Agent Platform など、他のクラウドプロバイダーのマネージド ML サービス | そのクラウドに標準化するチーム | プロバイダーのトレーニング、デプロイ、モニタリングの構成 | エクスポートオプション、移行の労力、後でモデルを移行できるかどうか |
| Microsoft Foundry の生成 AI サービス(Microsoft 推奨の方法) | プロンプトベースまたは生成モデルを中心にソリューションを再設計する意向のあるチーム | プロンプト設計、評価、ソリューションの運用 | 特定の不良や物体に対する精度、レイテンシ、一貫性 |
| Landing AI の LandingLens や Ultralytics Platform など、トレーニング可能な専用ビジョンプラットフォーム | トレーニングとデプロイのインフラがマネージドで、ラベル付け、トレーニング、デプロイを一か所で行いたいチーム | データセット、ラベル付け、評価、アプリケーションとの統合 | 対応タスク、インポート形式、デプロイ先、トレーニング済みモデルのポータビリティ、チームのアクセス制御 |
| オープンソースフレームワークを使って構築する | 全面的な制御を求める ML エンジニアがいるチーム | トレーニングコード、インフラ、モニタリング | 長期的な保守と人員体制 |
| ターンキー型の検査システム | ハードウェア、ソフトウェア、統合を一社のベンダーから調達したい生産ライン | ベンダーとの調整、受け入れテスト、継続的なサポート | 製品や不良の種類が変化した際の柔軟性 |
移行の労力、継続的なコンピューティング費用とサポート費用、調達要件、サービスがまだプレビュー段階かどうかを含め、ステップ 1 の一覧に照らして各選択肢を評価してください。ラベル付け、トレーニング、デプロイを一か所で行える点をチームが重視していた場合は、トレーニング可能な専用ビジョンプラットフォームで、統合されたラベル付け、トレーニング、デプロイのワークフローを同様に利用できます。以下の「Ultralytics Platform への移行」セクションでは、プロジェクトの各要素の移行先を示します。推論をデバイス上またはオフラインで実行する必要がある場合は、まずエクスポート形式を確認してください。複数のユーザーがデータにラベルを付けてレビューする場合は、チームのロールと権限を確認してください。
ステップ 4:自社の画像で検証する#
ベンダーのサンプルに加えて、自社のデータでも評価してください。
- データを 3 つに分割します: トレーニング用、検証用、新しいモデルに一度も見せないテスト用です。テスト用には最も難しいケースや発生頻度の低いケースも含めます。該当する場合は、生産ロット、カメラ、期間ごとに分割し、分割間のほぼ重複する画像を除去して、テスト結果が新しい条件を反映するようにしてください。
- エクスポートしたデータセットで再トレーニングし、同じタグまたはクラスを使用します。
- 単一の精度指標だけでなく、ステップ 1 の受け入れ基準と照らして比較します。 検出漏れと誤警報を分けて確認してください。
- 実際の実行環境でテストします: 本番環境と同じカメラ、デバイス、またはネットワーク経路を使用してください。
- 統合を調整します: 代替サービスの認証、リクエストとレスポンスの形式、前処理、信頼度しきい値、エラー処理を確認します。新しいエンドポイント URL に変えるだけで十分だと考えず、各アプリケーションを更新してテストしてください。
- 本番環境の負荷でテストします: 同時実行数、コールドスタート、再試行、障害時の動作を確認してください。
Ultralytics Platform では、変換済みデータセットを使ったクラウドトレーニングを実行し、メトリクスをリアルタイムで確認してから、本番環境の条件でモデルをテストできます。
新しいモデルの性能が不十分な場合は、修正方法を選ぶ前に、ラベル、前処理、モデルの適性、デプロイ時の挙動を調査してください。移行は、一貫性のないラベルを修正し、旧モデルが苦手としていたケースの例を追加する良い機会です。
ステップ 5:切り替えを計画する#

現在 Custom Vision を呼び出している各アプリケーションの切り替え手順。
- 並行して実行します。 一定期間、同じ画像を旧モデルと新モデルの両方に送り、切り替え前に結果を比較してください。
- 利用側を一度に 1 つずつ切り替え、最もリスクの低いアプリケーションから始めてください。
- ロールバックのトリガーを事前に定義し、合意した上限を超える見逃し率や誤検出率などを設定します。確信が持てるまでは、フォールバックを維持してください。廃止前は現在のCustom Visionエンドポイントを、廃止後は、エクスポートしたコンパクトモデルなど、事前にテスト済みの別途デプロイしたフォールバックを使用します。
- 各アプリケーションの切り替え担当者を決め、廃止されたエンドポイントを呼び出すアプリケーションが残らないようにします。
- 各アプリケーションの現在の実行方法に合わせます。 Ultralytics Platformでは、専用エンドポイントからモデルの推論を提供することも、モデルをエクスポートして自社のハードウェアで実行することもできます。そのため、クラウドから呼び出すアプリケーションにもデバイス上で動作するアプリケーションにも、それぞれに適した方法があります。
- 再トレーニングの担当者を決めます。製品、照明、欠陥の種類は変化します。新しいデータを誰がどの頻度でレビューし、モデルを再トレーニングするかを合意しておけば、本番環境の条件が変化しても新しいシステムを適応させられます。
Ultralytics Platformへの移行#
ラベル付け、トレーニング、デプロイを一か所で行えるCustom Visionのワークフローをチームが気に入っていた場合、Ultralytics Platformでは、Ultralytics YOLOモデルを中心とした、同じエンドツーエンドのワークフローを利用できます。移行後、Custom Visionプロジェクトの各要素は次のようになります。
| Custom Visionの場合 | Ultralytics Platformの場合 |
|---|---|
| 分類および物体検出プロジェクト | 分類、検出、セグメンテーション、姿勢推定、方向付きバウンディングボックス用のデータセット |
| タグ付けされた画像と領域 | 変換したエクスポートデータをYOLO、COCO、またはUltralytics NDJSON形式でアップロードします |
| ポータルでのタグ付け | 検出向けのスマートアノテーションに対応したアノテーションエディター。SAM、事前学習済みYOLOモデル、または独自のファインチューニング済みモデルを使用できます。分類画像には手動でラベルを付けます |
| トレーニングの反復 | GPUを使用したクラウドトレーニング。メトリクスはリアルタイムで配信され、チェックポイントは自動的に保存されます |
| 推論エンドポイント | 42リージョンの専用エンドポイント |
| デバイス向けのコンパクトドメインのエクスポート | モデルとタスクの互換性を条件として、ONNX、TensorRT、CoreMLなどの形式にモデルをエクスポートできます |
| プロジェクトへの共有アクセス | Owner、Admin、Editor、Viewerのロールを備えたチームワークスペース(チームの要件を確認)を、米国、EU、またはアジア太平洋のデータリージョンで利用できます |

Ultralytics Platformの「New Dataset」ダイアログでは、YOLO、COCO、Ultralytics NDJSONのデータセットを受け付けます。表示されているアップロード上限は、このスクリーンショットで使用したアカウントのものです。
事前に計画しておくべき点をいくつか紹介します。
- インポートではなく再トレーニングを行います。Custom Visionのモデルはアップロードできないため、エクスポートしたデータを使ってYOLOモデルをトレーニングします。
- マルチラベル分類。Platformの分類データセットでは1画像につき1ラベルを使用するため、移行前にマルチラベルプロジェクトの扱いを決めてください。
- プライバシーとリージョン。新しいデータセットは、ワークスペースのデフォルトの公開範囲に応じて公開または非公開で作成されるため、専有データセットを作成するときはPrivateに設定してください。データリージョンはサインアップ時に選択し、後から自分で変更することはできません。
- 推論の処理能力。各専用エンドポイントは、アクティブなインスタンスを1つ実行します。デフォルトサイズはアイドル時にゼロまでスケールしますが、カスタムサイズではインスタンスが常時起動します。本番環境の要件に照らしてスループットとコールドスタートをベンチマークするか、モデルをエクスポートして自社のインフラストラクチャで実行してください。
- 対象範囲。ビジョンプラットフォームが置き換えるのは検査システムのモデル部分であり、カメラ、照明、ラインとの連携部分ではありません。
まずは1つのプロジェクトから始めます。代表的なCustom Visionデータセットのエクスポートを対応形式に変換し、Ultralytics Platformにアップロードしてモデルをトレーニングし、ステップ1で合意した受け入れ基準と照らし合わせます。大規模な移行を計画していますか?プロジェクト数、タスクの種類、データセットのサイズ、レイテンシの目標、デプロイの制約について、チームにご相談ください。
よくある質問
2028年9月25日です。Microsoftはそれまで既存の顧客をサポートし、2026年9月25日までに移行計画を立てるよう求めています。
ONNX、TensorFlow、TensorFlow.js、またはCoreMLにエクスポートしたモデルファイルは、Custom Visionサービスを呼び出さずに自社のハードウェアで実行できるため、引き続き動作します。エクスポートしたDockerコンテナを使用する場合は、サービスが利用できない状態でテストしてから運用してください。Custom Visionで再トレーニングすることはできず、エクスポートを利用できるのはコンパクトドメインのプロジェクトのみです。
はい。Training APIのGet Tagged Imagesオペレーションでは、画像のメタデータ、タグ、物体検出領域が返されます。1回のリクエストで最大256枚の画像を取得でき、元の各画像に対して
originalImageUriが含まれます(VNET機能が有効なプロジェクトでは相対パスが返されるため、GetArtifactで取得します)。画像自体をダウンロードしてから、領域をYOLOやCOCOなど、新しいプラットフォームで使用する形式に変換してください。Microsoftの移行ガイダンスでは、カスタム分類と検出にAzure Machine LearningのAutoMLを、カスタム分類を含む生成AIの選択肢にMicrosoft FoundryのAzure Content Understandingを挙げています。
Ultralytics Platformに移行する場合は、変換したデータセットを使って、対応するYOLOモデルをトレーニングする計画を立ててください。Custom VisionのモデルエクスポートはPlatformへのモデルアップロードに対応していないためです。ラベルを保持し、その品質をレビューしたうえで、切り替え前に新しいモデルを検証してください。
執筆者
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。










