Melhores plataformas para treinar classificadores de imagens personalizados

Cena ilustrativa de inspeção gerada por IA. Os blocos mostram quatro fotos de teste classificadas corretamente, selecionadas pela clareza visual, do conjunto de dados de manchas em tecidos. Nosso modelo Ultralytics YOLO26s-cls treinado classificou corretamente 65/71 imagens de teste, incluindo 7/11 imagens de tecidos limpos e 58/60 imagens de tecidos manchados. Os blocos são recortes quadrados das fotos de teste. As pontuações indicam a confiança do modelo, não a precisão.

A melhor plataforma para treinar um classificador de imagens personalizado depende de onde o modelo será executado e de quanto controle você precisa. Plataformas em nuvem sem código, como Amazon Rekognition Custom Labels, AutoML no Gemini Enterprise Agent Platform (anteriormente Vertex AI AutoML), LandingLens e Ultralytics Platform, permitem carregar imagens rotuladas e treinar sem escrever código. Fluxos de trabalho para desenvolvedores, como Amazon SageMaker AI, Azure Machine Learning AutoML e Hugging Face Transformers, oferecem mais controle sobre o modelo e o trabalho de treinamento. Ferramentas voltadas para dispositivos de borda, como Edge Impulse, têm como alvo dispositivos pequenos, e o Teachable Machine é uma opção gratuita para criar protótipos no navegador.

O status do serviço é importante na hora de escolher. A Microsoft vai descontinuar o Azure Custom Vision em 25 de setembro de 2028, e o Hugging Face AutoTrain não recebe mais manutenção. Agora, o Google chama o Vertex AI AutoML de AutoML no Gemini Enterprise Agent Platform; neste guia, usamos o nome abreviado Google Cloud AutoML.

Este guia compara ferramentas para treinar um classificador com suas próprias imagens rotuladas, explica como escolher e mostra como testar um classificador antes de se comprometer. Para escolher a arquitetura do modelo, consulte comparação de modelos de classificação de imagens. Para disponibilizar um modelo que você já tem, consulte comparação de plataformas de inferência de visão computacional. A Ultralytics publica esta comparação e oferece uma das plataformas incluídas.

O que comparar#

A classificação de imagens atribui um ou mais rótulos a uma imagem inteira, como "defeituoso" ou "OK" para uma peça em uma linha de produção. As plataformas que treinam classificadores diferem em cinco aspectos mais importantes do que suas listas de recursos:

• Rótulos: classe única (uma classe por imagem) ou múltiplos rótulos (várias classes por imagem). Nem todas as plataformas oferecem suporte a ambos.
• Controle: o AutoML escolhe o modelo e as configurações por você; as plataformas para desenvolvedores permitem escolher a arquitetura, o tamanho da imagem e as configurações de treinamento.
• Onde o modelo é executado: algumas plataformas só disponibilizam o modelo na própria nuvem, enquanto outras permitem exportá-lo para execução no seu próprio hardware.
• Modelo de custos: o tempo de treinamento, as horas de hospedagem e as taxas de previsão por imagem se acumulam de formas diferentes. Um modelo que precisa permanecer em execução pode custar mais do que o treinamento.
• Localização dos dados: onde suas imagens são armazenadas e processadas, o que é importante para dados sujeitos a regulamentações.

Comparação de plataformas de treinamento de classificadores de imagens#

São diferentes tipos de ferramentas: serviços de AutoML gerenciados, fluxos de trabalho para desenvolvedores e protótipos no navegador. Faça uma lista inicial com base no suporte a rótulos e em onde o modelo precisa ser executado antes de comparar os custos, e primeiro verifique se um modelo pré-treinado existente já resolve o problema.

As plataformas estão listadas em ordem alfabética. A documentação dos fornecedores foi consultada em 9 de novembro de 2026; esta é uma comparação de recursos, não um teste prático de desempenho. Em telas pequenas, role a tabela horizontalmente para ver todas as colunas.

Exemplos de listas iniciais por requisito. Esses grupos se sobrepõem; confirme o suporte a rótulos, os direitos de implantação e a compatibilidade com o ambiente de execução antes de escolher.

A Ultralytics Platform treina classificadores de classe única, nos quais cada imagem recebe uma classe. Se você precisa de classificação com múltiplos rótulos, considere o Azure Machine Learning AutoML ou o Google Cloud AutoML.

Como escolher#

Comece pela decisão em que você tem menos flexibilidade.

Você quer uma solução sem código e uma API gerenciada#

Escolha o serviço de AutoML na nuvem que você já usa: Amazon Rekognition Custom Labels na AWS ou Google Cloud AutoML no Google Cloud. Ambos cuidam do modelo e das configurações para você. Verifique por quanto tempo o modelo precisa permanecer em execução, pois o Rekognition Custom Labels cobra por cada hora em que o modelo fica ativo, mesmo quando não está analisando imagens.

Você precisa executar o modelo no seu próprio hardware#

Escolha uma plataforma que exporte o modelo treinado. Edge Impulse, Google Cloud AutoML (modelos Edge), Teachable Machine e Ultralytics Platform oferecem exportação de modelos; verifique os ambientes de execução compatíveis, os limites do plano e os termos da licença antes de escolher. Para PCs, câmeras e GPUs de fábrica, um modelo de classificação YOLO26 exportado é executado com ONNX, TensorRT ou OpenVINO. O Edge Impulse foi desenvolvido para microcontroladores.

Você quer controle total sobre o modelo#

Para controlar a arquitetura e as configurações de treinamento, use o SageMaker com seu próprio código de treinamento ou crie um fluxo de trabalho com PyTorch, TensorFlow, Keras, Hugging Face Transformers ou o pacote Ultralytics YOLO. Verifique quais arquiteturas cada biblioteca oferece. Ferramentas de AutoML, como Azure Machine Learning AutoML, oferecem controle dentro dos modelos e das configurações compatíveis. De qualquer forma, espere ter mais trabalho de configuração.

Você está migrando do Azure Custom Vision#

A Microsoft dará suporte completo aos clientes atuais até 25 de setembro de 2028 e recomenda o Azure Machine Learning AutoML para classificação personalizada. Para migrar, exporte suas imagens e as atribuições de rótulos, mantenha os múltiplos rótulos onde eles eram usados e converta-os para o formato de importação da nova plataforma antes de treinar novamente.

Você está aprendendo ou criando protótipos#

O Teachable Machine é gratuito e treina no navegador, o que o torna uma boa opção para testar se suas classes são separáveis antes de coletar um conjunto de dados completo.

Como verificar um classificador antes de se comprometer#

A precisão demonstrada em uma demonstração da plataforma diz pouco sobre suas próprias imagens. Execute o mesmo teste curto em cada plataforma da sua lista:

1. Mantenha conjuntos separados de treinamento, validação e teste. Selecione imagens de teste das câmeras e das condições que o modelo encontrará em produção, e mantenha as quase duplicatas e as imagens da mesma sequência de captura no mesmo conjunto.
2. Treine uma referência com as mesmas imagens de treinamento e as configurações padrão de cada plataforma, e anote quaisquer limites de computação, orçamento de treinamento ou tamanho de imagem.
3. Escolha usando o conjunto de validação. Compare a precisão, a revocação e a matriz de confusão por classe, além da velocidade no hardware que você usará, e defina os limites aqui.
4. Teste a escolha final uma vez com o conjunto de teste intocado: precisão top-1 para classificadores de classe única ou precisão, revocação e F1 para cada rótulo em classificadores com múltiplos rótulos.
5. Verifique o custo total: treinamento mais as taxas de hospedagem ou previsão para o volume esperado.
6. Verifique as opções de saída: você consegue baixar o modelo treinado, em qual formato e sob qual licença?

Reutilize as mesmas imagens, os mesmos rótulos e as mesmas divisões em todas as plataformas, convertendo-os para o formato de importação de cada uma. Como exemplo opcional, veja o teste final com 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 o formato do conjunto de dados de classificação para ver a estrutura de pastas, a documentação Classify para exemplos de classificação e as configurações de treinamento para todas as opções de treinamento. Mantenha pastas separadas para train, val e test: se a pasta test estiver ausente, a verificação final usa as imagens de validação.

Onde a Ultralytics se encaixa#

A Ultralytics oferece suporte ao treinamento e à exportação de classificadores de classe única. Compare os resultados com seus próprios dados antes de escolher essa opção.

• Treine na nuvem ou localmente. A Ultralytics Platform treina classificadores YOLO26 em GPUs na nuvem pelo navegador, e o pacote Python de código aberto ultralytics treina os mesmos modelos no seu próprio computador.
• Prepare os dados e treine em um único fluxo de trabalho. Importe conjuntos de dados organizados em pastas por classe seguindo as instruções para conjuntos de dados da Platform, revise os rótulos e as divisões e, em seguida, treine na Ultralytics Platform.
• Execute o modelo onde precisar. Exporte para ONNX, TensorRT, CoreML, LiteRT e outros formatos ou implante em um endpoint da Platform.
• Conheça os limites. Os classificadores são de classe única. Os endpoints da Platform são executados em CPU; por isso, para servir modelos com alto volume usando GPU, é melhor usar seu próprio hardware ou outra nuvem. A Ultralytics oferece licenças AGPL-3.0 e Enterprise: implantações proprietárias que não possam cumprir as obrigações da AGPL-3.0 precisam de uma Licença Enterprise.