Licenciar o YOLO
Guias

O Azure Custom Vision será descontinuado: checklist de migração para seus modelos de visão computacional

O Azure Custom Vision será descontinuado em 25 de setembro de 2028. Planeje sua migração, exporte seus dados rotulados e retreine no Ultralytics Platform.

Jing QiuJing Qiu16 min de leitura
Capa da Ultralytics para o checklist de migração do Azure Custom Vision: a caixa de diálogo Novo conjunto de dados do Ultralytics Platform com um painel que mapeia projetos de detecção do Custom Vision, marcação, iterações de treinamento e endpoint de previsão para conjuntos de dados, editor de anotação, treinamento na nuvem e endpoints dedicados do Platform

O Azure Custom Vision será descontinuado em 25 de setembro de 2028. As equipes que usam o treinamento ou a previsão na nuvem precisarão de uma substituição antes dessa data, e as equipes que executam modelos exportados ainda precisarão de um lugar para retreiná-los à medida que os produtos e as câmeras mudarem. É um bom momento para migrar para uma plataforma que você possa continuar usando para rotular, treinar e implantar por muitos anos.

Este checklist apresenta cinco etapas para facilitar a migração: faça um inventário do que você executa hoje, exporte seus dados rotulados, escolha para onde migrar, valide o novo modelo com suas próprias imagens e, em seguida, faça a transição com uma alternativa de retorno. Ao longo do processo, ele mostra como cada parte de um projeto do Custom Vision pode ser transferida para o Ultralytics Platform, onde você rotula, treina e implanta modelos Ultralytics YOLO em um só lugar, oferecendo à sua equipe uma solução de longo prazo em vez de um paliativo.

O que está mudando e quando#

De acordo com as orientações de migração do Custom Vision da Microsoft:

  • 25 de setembro de 2028: o Custom Vision será descontinuado e o serviço ficará indisponível. A Microsoft oferecerá suporte completo aos clientes existentes até essa data.
  • 25 de setembro de 2026: prazo até o qual a Microsoft pediu aos clientes que planejassem a transição.

Cronograma das datas da Microsoft: 25 de setembro de 2026, prazo até o qual a Microsoft pediu aos clientes que planejassem a transição, já passou; em 25 de setembro de 2028, o Custom Vision será descontinuado e a API Image Analysis também será descontinuada no mesmo dia

Datas de descontinuação do Azure Custom Vision e da API Image Analysis pela Microsoft, conforme as orientações de migração da empresa.

O que isso significa na prática:

  • O treinamento e a previsão na nuvem serão interrompidos. Qualquer aplicativo que chame um endpoint de previsão do Custom Vision precisará de um novo endpoint antes da data de descontinuação.
  • Os modelos exportados podem garantir a continuidade. O Custom Vision pode exportar um modelo para ONNX, TensorFlow, TensorFlow.js, CoreML ou um contêiner Docker para execução no seu próprio hardware. Arquivos de modelo como ONNX não chamam o serviço; a Microsoft informa que o contêiner Docker inclui código de serviço para a API Custom Vision, então teste-o com o serviço indisponível antes de depender dele. As exportações funcionam apenas para projetos que usam um domínio compacto, e a Microsoft observa que os modelos compactos podem ser um pouco menos precisos do que os modelos de domínio padrão. Você também não poderá retreinar um modelo exportado no Custom Vision após a descontinuação, então o desempenho dele poderá se deteriorar à medida que seus produtos, câmeras e defeitos mudarem.
  • A API Image Analysis tem a mesma data de descontinuação. De acordo com a Microsoft, a API Image Analysis será descontinuada na mesma data, 25 de setembro de 2028, incluindo os contêineres conectados e desconectados. Se você usa os dois serviços, planeje uma única migração, não duas.
  • Preserve suas imagens e rótulos para a migração. Um modelo retreinado só pode ser tão bom quanto o conjunto de dados que o sustenta; por isso, preserve seus dados rotulados junto com todas as exportações de modelos compatíveis.

Disponibilidade do serviço e opções de exportação no momento da descontinuação: as chamadas de treinamento e previsão do Custom Vision e a API Image Analysis serão descontinuadas; arquivos exportados ONNX, TensorFlow, TensorFlow.js ou CoreML poderão continuar sendo executados localmente, mas não poderão ser retreinados no Custom Vision; um contêiner Docker exportado deve ser testado com o serviço indisponível; baixe e verifique cópias independentes de suas imagens e rótulos antes da descontinuação

Disponibilidade do serviço e opções de exportação no momento da descontinuação, com base na documentação de migração e exportação da Microsoft.

Etapa 1: faça um inventário do que você executa hoje#

Antes de comparar qualquer coisa, registre o que você tem. Para cada projeto do Custom Vision, anote:

  • Tipo de projeto: classificação de imagens (multiclasse ou multilabel) ou detecção de objetos.
  • Domínio: domínio padrão ou compacto. Somente projetos de domínio compacto podem exportar um modelo.
  • Onde as previsões são usadas: cada aplicativo, script, dispositivo ou fluxo de trabalho que chama o endpoint de previsão e quem é responsável por ele.
  • Critérios de aceitação do modelo atual: a precisão e a revocação nas quais você confia hoje e quais erros custam mais. Uma falha na detecção de um defeito e uma rejeição falsa raramente têm o mesmo custo.
  • Conjunto de dados: número de imagens, tags e quantas imagens têm tags em comparação com as que não têm.
  • Restrições: latência, onde a inferência precisa ser executada (nuvem, fábrica, dispositivo móvel, offline), residência dos dados e quem precisa de acesso.
ProjetoTipoDomínioChamado por (responsável)Critérios de aceitaçãoImagens (com tag / sem tag)TagsRestrições
Exemplo: defeitos-de-soldaDetecção de objetosGeral (compacto)Aplicativo de QA da linha 3 (TI da fábrica)Revocação de pelo menos 95% em trincas; menos de 2% de rejeições falsas4,200 / 1,1003No local, menos de 200 ms

A primeira linha é um exemplo do nível de detalhe a registrar, não são dados de um projeto real.

Esta lista se torna seus requisitos para a substituição e seu plano de testes para a transição.

Etapa 2: exporte seus dados rotulados com antecedência#

As orientações da Microsoft recomendam exportar primeiro seus conjuntos de dados rotulados e os metadados dos modelos e, depois, convertê-los para o formato exigido pela nova plataforma. Faça isso enquanto o serviço ainda tem suporte completo, para ter tempo de validar a exportação.

  • Imagens e rótulos: a operação Get Tagged Images da API de treinamento do Custom Vision retorna metadados das imagens, tags e, para detecção de objetos, regiões. Defina take como 256, percorra as páginas com skip e baixe cada imagem original por meio de originalImageUri. Os metadados, por si só, não são um backup das imagens. Projetos com o recurso VNET ativado retornam caminhos relativos, que você deve buscar com GetArtifact.
  • Confira as contagens: confirme que o número de imagens e rótulos exportados corresponde ao que cada projeto informa, por tag, antes de confiar na exportação.
  • Registre as configurações associadas aos dados: IDs do projeto e das tags, o mapeamento de tags para classes, o domínio, a iteração publicada e os limites de confiança e o pré-processamento usados pelos seus aplicativos.
  • Entenda o que ExportProject faz: a API ExportProject da Microsoft copia um projeto para outra conta do Custom Vision usando um token temporário. Não é um backup portátil do seu conjunto de dados.
  • Caixas delimitadoras: as regiões de detecção são retornadas como left, top, width e height em coordenadas normalizadas, relativas ao tamanho da imagem. A conversão para o formato YOLO (centro x, centro y, largura e altura normalizados) ou para COCO exige converter coordenadas, mapear classes e validar para detectar caixas que tenham sido posicionadas incorretamente.

Uma caixa delimitadora do Custom Vision convertida para o formato YOLO: o Custom Vision armazena o canto superior esquerdo em left 0.30, top 0.25, com largura 0.35 e altura 0.40; o YOLO armazena o centro em x_center 0.475, y_center 0.45, com a mesma largura e altura

A mesma caixa nos dois formatos. Ambos usam coordenadas normalizadas em relação ao tamanho da imagem.

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"
  • Imagens sem tag: exporte-as também com a operação Get Untagged Images. Elas podem fornecer exemplos adicionais úteis para treinamento depois que você puder rotulá-las.

Antes de exportar, confira dois números na página de limites da Microsoft. O Custom Vision exige pelo menos 5 imagens rotuladas por tag para classificação e 15 para detecção de objetos, e recomenda 50 ou mais para ambos os casos. Além disso, armazena imagens de previsão por apenas 30 dias; portanto, salve agora as que você quiser usar no retreinamento.

  • Modelos: para projetos de domínio compacto, exporte o modelo atual como uma alternativa de retorno que você possa executar durante a transição. Um projeto de domínio padrão precisa ser convertido para um domínio compacto e retreinado antes de poder exportar, e o modelo compacto pode ser um pouco menos preciso.

Mantenha a exportação original sem alterações e converta uma cópia, para que você sempre possa voltar ao original. Se estiver migrando para o Ultralytics Platform, o formato YOLO é uma escolha natural, já que o Platform importa diretamente conjuntos de dados YOLO, COCO e Ultralytics NDJSON.

Etapa 3: escolha o tipo de substituição#

As equipes que dependiam do Amazon Lookout for Vision, descontinuado pela AWS em 31 de outubro de 2025, passaram pela mesma escolha. Não existe uma única resposta certa. A melhor substituição depende do seu cenário e de quanto do pipeline sua equipe quer gerenciar.

OpçãoIdeal paraO que sua equipe gerenciaO que verificar
Azure Machine Learning com AutoML (caminho sugerido pela Microsoft)Equipes que permanecem no Azure e querem classificação e detecção personalizadasWorkspace, computação e implantação do Azure MLEsforço necessário para recriar fluxos de trabalho de treinamento e implantação no Azure ML
Serviço gerenciado de ML de outro provedor de nuvem, como Amazon SageMaker AI, Amazon Rekognition Custom Labels ou Gemini Enterprise Agent Platform no Google CloudEquipes que estão padronizando o uso dessa nuvemConfiguração de treinamento, implantação e monitoramento do provedorOpções de exportação, esforço de migração e possibilidade de transferir o modelo depois
Serviços de IA generativa no Microsoft Foundry (caminho sugerido pela Microsoft)Equipes dispostas a reformular a solução em torno de modelos generativos ou baseados em promptsCriação de prompts, avaliação e operação da soluçãoPrecisão nos seus defeitos ou objetos específicos, latência e consistência
Plataforma de visão dedicada e treinável, como LandingLens da Landing AI ou Ultralytics PlatformEquipes que querem rotulagem, treinamento e implantação em um só lugar, com infraestrutura gerenciada para treinamento e implantaçãoConjuntos de dados, rotulagem, avaliação e integração com seus aplicativosTarefas compatíveis, formatos de importação, destinos de implantação, portabilidade dos modelos treinados e controles de acesso da equipe
Desenvolvimento com frameworks de código abertoEquipes com engenheiros de ML que querem controle totalCódigo de treinamento, infraestrutura e monitoramentoManutenção e equipe a longo prazo
Sistema de inspeção pronto para usoLinhas de produção que querem hardware, software e integração de um único fornecedorCoordenação com o fornecedor, testes de aceitação e suporte contínuoFlexibilidade quando os produtos e tipos de defeito mudam

Avalie cada opção com base no inventário da etapa 1, considerando o esforço de migração, os custos contínuos de computação e suporte, os requisitos de aquisição e se o serviço ainda está em prévia. Se sua equipe valorizava ter rotulagem, treinamento e implantação em um só lugar, uma plataforma de visão dedicada e treinável oferece um fluxo de trabalho integrado semelhante para rotulagem, treinamento e implantação, e a seção "Migração para o Ultralytics Platform" abaixo mostra como cada parte do seu projeto se encaixa. Se a inferência precisar ser executada em um dispositivo ou offline, confira primeiro os formatos de exportação. Se várias pessoas rotulam e revisam dados, confira as funções e permissões da equipe.

Etapa 4: valide com suas próprias imagens#

Complemente os exemplos do fornecedor com uma avaliação dos seus próprios dados:

  1. Divida seus dados em três grupos: treinamento, validação e um conjunto de teste intocado que o novo modelo nunca veja, incluindo seus casos mais difíceis e raros. Quando aplicável, divida por lote de produção, câmera ou período e remova imagens quase duplicadas entre os grupos, para que o teste represente condições novas.
  2. Retreine com seu conjunto de dados exportado usando as mesmas tags ou classes.
  3. Compare com seus critérios de aceitação da etapa 1, não apenas com um único número de precisão. Analise separadamente as detecções perdidas e os falsos alarmes.
  4. Teste no ambiente em que o modelo realmente será executado: use as mesmas câmeras, dispositivos ou caminho de rede da produção.
  5. Adapte a integração: confira a autenticação, os formatos de solicitação e resposta, o pré-processamento, os limites de confiança e o tratamento de erros da substituição. Em seguida, atualize e teste cada aplicativo, em vez de presumir que basta trocar a URL do endpoint.
  6. Teste sob carga de produção: verifique a simultaneidade, as inicializações a frio, as tentativas e o que acontece durante uma interrupção.

No Ultralytics Platform, você pode treinar com o conjunto de dados convertido usando o treinamento na nuvem, acompanhar as métricas em tempo real e, em seguida, testar o modelo em condições de produção.

Se o novo modelo não atingir o desempenho esperado, investigue os rótulos, o pré-processamento, a adequação do modelo e o comportamento da implantação antes de escolher a correção. A migração é um bom momento para corrigir rótulos inconsistentes e adicionar exemplos dos casos com os quais o modelo antigo tinha dificuldade.

Etapa 5: planeje a transição#

Sequência de transição: 1 faça um piloto com imagens não usadas no treinamento, 2 execute em paralelo com o modelo atual, 3 alterne um aplicativo, 4 monitore e depois repita; se os critérios de aceitação não forem atendidos antes da transição, investigue os dados, o pré-processamento, o modelo e a integração, depois corrija e teste novamente; se um limite de reversão for ultrapassado após a transição, volte para uma alternativa de retorno testada

Sequência de transição para cada aplicativo que usa o Custom Vision atualmente.

  • Execute em paralelo. Envie as mesmas imagens para o modelo antigo e o novo durante um período e compare os resultados antes da transição.
  • Alterne um consumidor por vez, começando pelo aplicativo de menor risco.
  • Define antecipadamente os critérios para reverter a mudança, como uma taxa de falhas ou de rejeições falsas acima de um limite acordado, e mantém uma alternativa até teres confiança: o endpoint atual do Custom Vision antes de ser desativado ou, depois disso, uma alternativa implementada separadamente e já testada, como um modelo compacto exportado.
  • Define uma pessoa responsável pela migração de cada aplicação, para que nenhuma continue a chamar um endpoint desativado.
  • Adapta-te à forma como cada aplicação funciona atualmente. Na Ultralytics Platform, um modelo pode disponibilizar previsões através de um endpoint dedicado ou ser exportado para funcionar no teu próprio hardware, oferecendo assim um caminho tanto para aplicações na nuvem como para aplicações no dispositivo.
  • Decide quem será responsável pelo novo treino. Os produtos, a iluminação e os tipos de defeitos mudam. Acorda quem vai rever os novos dados e com que frequência o modelo será novamente treinado, para que o novo sistema se possa adaptar à medida que as condições de produção mudam.

Migrar para a Ultralytics Platform#

Se a tua equipa gostava do fluxo de trabalho do Custom Vision, que permite rotular, treinar e implementar num só lugar, a Ultralytics Platform oferece o mesmo fluxo de trabalho de ponta a ponta, concebido em torno de modelos Ultralytics YOLO. Eis onde fica cada parte de um projeto do Custom Vision após a migração:

No Custom VisionNa Ultralytics Platform
Projetos de classificação e deteção de objetosConjuntos de dados para classificação e deteção, além de segmentação, pose e caixas delimitadoras orientadas
Imagens e regiões etiquetadasCarrega a exportação convertida nos formatos YOLO, COCO ou Ultralytics NDJSON
Etiquetagem no portalUm editor de anotações com anotação inteligente para deteção, usando SAM, modelos YOLO pré-treinados ou o teu próprio modelo ajustado. As imagens de classificação são etiquetadas manualmente
Iterações de treinoTreino na nuvem em GPUs, com métricas transmitidas em tempo real e pontos de controlo guardados automaticamente
Endpoint de previsãoEndpoints dedicados em 42 regiões
Exportações compactas específicas do domínio para dispositivosExportação de modelos para formatos como ONNX, TensorRT e CoreML, sujeita à compatibilidade do modelo e da tarefa
Acesso partilhado ao projetoEspaços de trabalho de equipa com as funções de Owner, Admin, Editor e Viewer (consulta os requisitos da equipa), numa região de dados dos EUA, da UE ou da Ásia-Pacífico

Janela Novo conjunto de dados da Ultralytics Platform, a mostrar que os carregamentos suportam conjuntos de dados YOLO, COCO e Ultralytics NDJSON como ficheiros ZIP, TAR ou NDJSON

A janela Novo conjunto de dados da Ultralytics Platform aceita conjuntos de dados YOLO, COCO e Ultralytics NDJSON. Os limites de carregamento apresentados correspondem à conta utilizada nesta captura de ecrã.

Alguns aspetos a ter em conta:

  • Treina novamente em vez de importar. Não é possível carregar modelos do Custom Vision; por isso, tens de treinar um modelo YOLO com os dados exportados.
  • Classificação multilabel. Os conjuntos de dados de classificação da Platform usam uma etiqueta por imagem, por isso decide como vais tratar os projetos multilabel antes de os migrares.
  • Privacidade e região. Os novos conjuntos de dados começam como públicos ou privados, consoante a visibilidade predefinida do teu espaço de trabalho; por isso, define como Privados os conjuntos de dados proprietários ao criá-los. A região dos teus dados é escolhida quando te inscreves e não a poderás alterar por conta própria mais tarde.
  • Capacidade de disponibilização. Cada endpoint dedicado executa uma instância ativa. O tamanho predefinido reduz-se a zero quando está inativo, enquanto os tamanhos personalizados mantêm uma instância pronta, por isso avalia o débito e os arranques a frio face aos requisitos de produção ou exporta o modelo para o executar na tua própria infraestrutura.
  • Âmbito. Uma plataforma de visão substitui a componente de modelo de um sistema de inspeção, não as câmaras, a iluminação ou a integração com a linha de produção à sua volta.

Começa com um projeto: converte uma exportação representativa de um conjunto de dados do Custom Vision para um formato suportado, carrega-a para a Ultralytics Platform, treina um modelo e compara-o com os critérios de aceitação acordados no passo 1. Estás a planear uma migração de maior dimensão? Fala com a nossa equipa sobre o número de projetos, os tipos de tarefas, os tamanhos dos conjuntos de dados, os objetivos de latência e as restrições de implementação.

Perguntas frequentes

  • A 25 de setembro de 2028. A Microsoft dará suporte aos clientes atuais até essa data e pediu-lhes que planeiem a transição até 25 de setembro de 2026.

  • Um ficheiro de modelo exportado para ONNX, TensorFlow, TensorFlow.js ou CoreML é executado no teu próprio hardware sem chamar o serviço Custom Vision, pelo que pode continuar a funcionar. Se usares o contentor Docker exportado, testa-o com o serviço indisponível antes de depender dele. Não poderás voltar a treiná-lo no Custom Vision, e as exportações só estão disponíveis para projetos de domínio compacto.

  • Sim. A operação Get Tagged Images da Training API devolve metadados das imagens, etiquetas e regiões de deteção de objetos, até 256 imagens por pedido, com um originalImageUri para cada imagem original (os projetos com a funcionalidade VNET ativada devolvem caminhos relativos que podes obter com GetArtifact). Descarrega as próprias imagens e, em seguida, converte as regiões para o formato utilizado pela nova plataforma, como YOLO ou COCO.

  • As orientações de migração da Microsoft apontam para o Azure Machine Learning com AutoML para classificação e deteção personalizadas, e para opções de IA generativa no Microsoft Foundry, incluindo o Azure Content Understanding para classificação personalizada.

  • Para migrar para a Ultralytics Platform, planeia treinar um modelo YOLO suportado com o conjunto de dados convertido, porque a Platform não suporta o carregamento de modelos exportados do Custom Vision. Mantém as etiquetas, revê a sua qualidade e valida o novo modelo antes da transição.

Escrito por

Jing Qiu
Jing Qiu

Engenheiro sênior de machine learning · Ultralytics

Jing Qiu é engenheiro sênior de machine learning na Ultralytics e trabalha para melhorar o desempenho, a escalabilidade e a aplicabilidade prática de modelos de visão computacional de última geração. Seu trabalho abrange arquitetura de modelos, otimização do treinamento e implantação, ajudando a garantir que o Ultralytics YOLO ofereça precisão e eficiência líderes do setor para desenvolvedores e empresas do mundo todo.

Comentários

Faça uma pergunta, compartilhe seus resultados ou ajude alguém.

Explore as soluções

Visão computacional no desporto

Visão computacional no desporto

Descubra como o Ultralytics YOLO impulsiona a visão computacional no esporte com rastreamento de jogadores e bolas, análise de desempenho, insights para treinadores e reabilitação de atletas.
Saiba mais
Visão computacional para imagens aéreas

Visão computacional para imagens aéreas

Transforma imagens de drones e aéreas em informações em tempo real para a agricultura, a aquacultura, a conservação e a análise geoespacial com Ultralytics YOLO.
Saiba mais
Visão computacional no setor aeroespacial

Visão computacional no setor aeroespacial

Aplica visão computacional na indústria aeroespacial com Ultralytics YOLO para inspecionar aeronaves, detetar objetos estranhos na pista (FOD), apoiar operações aeroportuárias em terra e detetar defeitos em materiais compósitos.
Saiba mais
Visão computacional na segurança

Visão computacional na segurança

Protege todas as instalações com os modelos Ultralytics YOLO. A IA visual permite monitorizar perímetros, detetar ameaças, reconhecer matrículas e melhorar a segurança no local de trabalho.
Saiba mais
Visão computacional na robótica

Visão computacional na robótica

Potencia máquinas mais inteligentes com os modelos Ultralytics YOLO. A IA visual na robótica permite navegação autónoma, perceção, rastreamento de objetos e controlo em tempo real.
Saiba mais
Visão computacional na logística

Visão computacional na logística

Otimize a logística com os modelos Ultralytics YOLO. A IA de visão permite inspecionar pacotes, fazer triagem, rastrear veículos e monitorar a segurança em tempo real nos armazéns.
Saiba mais
Visão computacional no varejo

Visão computacional no varejo

Reinvente o varejo com os modelos Ultralytics YOLO. A IA de visão permite rastrear o estoque, monitorar prateleiras, gerenciar filas e obter insights mais inteligentes sobre clientes.
Saiba mais
Visão computacional na área da saúde

Visão computacional na área da saúde

Desenvolva soluções de saúde com os modelos Ultralytics YOLO. A IA de visão na área da saúde permite obter imagens médicas mais rapidamente, diagnósticos mais inteligentes e monitoramento de pacientes.
Saiba mais
Visão computacional na manufatura

Visão computacional na manufatura

Otimize a manufatura com modelos Ultralytics YOLO. A IA visual impulsiona o controle de qualidade, a detecção de defeitos, a conformidade com o uso de EPI e a automação da linha de montagem.
Saiba mais
Visão computacional no setor automotivo

Visão computacional no setor automotivo

Aplique visão computacional no setor automotivo com modelos Ultralytics YOLO. A IA visual aumenta a segurança viária, aprimora a assistência ao condutor e viabiliza a automação de veículos para estradas mais inteligentes.
Saiba mais
Visão computacional na agricultura

Visão computacional na agricultura

Leve a IA de visão à agricultura inteligente com os modelos Ultralytics YOLO. Aprimore o monitoramento de plantações, o rastreamento de animais e a agricultura de precisão para obter safras maiores e mais inteligentes.
Saiba mais

Vamos construir juntos o futuro da IA!

Comece sua jornada rumo ao futuro do aprendizado de máquina