Лицензия YOLO
Руководства

Azure Custom Vision прекращает работу: чек-лист миграции моделей компьютерного зрения

Azure Custom Vision прекратит работу 25 сентября 2028 года. Спланируй миграцию, экспортируй размеченные данные и переобучи модель на Ultralytics Platform.

Цзин ЦюJing Qiu13 мин. чтения
Обложка Ultralytics для чек-листа миграции с Azure Custom Vision: диалоговое окно New Dataset в Ultralytics Platform и панель, сопоставляющая проекты обнаружения Custom Vision, теги, циклы обучения и конечную точку предсказаний с наборами данных Platform, редактором разметки, облачным обучением и выделенными конечными точками

Azure Custom Vision прекратит работу 25 сентября 2028 года. Командам, использующим облачное обучение или предсказания сервиса, до этого срока потребуется замена. Командам, запускающим экспортированные модели, также понадобится место для их переобучения по мере изменения продуктов и камер. Это хороший момент, чтобы перейти на платформу, на которой можно годами размечать данные, обучать и развертывать модели.

В этом чек-листе описаны пять шагов, которые помогут провести миграцию без проблем: учесть, что используется сейчас, выгрузить размеченные данные, выбрать платформу для перехода, проверить новую модель на собственных изображениях, а затем переключиться, предусмотрев запасной вариант. По ходу дела показано, как перенести каждый компонент проекта Custom Vision в Ultralytics Platform, где можно размечать данные, обучать и развертывать модели Ultralytics YOLO в одном месте. Так команда получит долгосрочную платформу, а не временное решение.

Что меняется и когда#

Согласно рекомендациям Microsoft по миграции с Custom Vision:

  • 25 сентября 2028 года: работа Custom Vision прекращается, сервис становится недоступен. До этой даты Microsoft оказывает полную поддержку существующим клиентам.
  • 25 сентября 2026 года: срок, к которому Microsoft попросила клиентов подготовить план перехода.

График сроков Microsoft: срок подготовки плана перехода, о котором Microsoft попросила клиентов, — 25 сентября 2026 года — уже прошел; 25 сентября 2028 года прекращает работу Custom Vision, а в тот же день прекращает работу Image Analysis API

Даты прекращения работы Azure Custom Vision и Image Analysis API, указанные Microsoft в рекомендациях по миграции.

Что это означает на практике:

  • Облачное обучение и предсказания прекратятся. Каждому приложению, обращающемуся к конечной точке предсказаний Custom Vision, до даты прекращения работы потребуется новая конечная точка.
  • Экспортированные модели помогут обеспечить непрерывность работы. В Custom Vision можно экспортировать модель в ONNX, TensorFlow, TensorFlow.js, CoreML или контейнер Docker для запуска на собственном оборудовании. Файлы моделей, например ONNX, не обращаются к сервису; Microsoft сообщает, что контейнер Docker включает код сервиса для Custom Vision API, поэтому проверь его при недоступном сервисе, прежде чем полагаться на него. Экспорт возможен только для проектов, использующих компактный домен, и Microsoft отмечает, что компактные модели могут быть немного менее точными, чем модели стандартного домена. После прекращения работы сервиса переобучить экспортированную модель в Custom Vision также нельзя, поэтому ее эффективность может снизиться по мере изменения продуктов, камер и дефектов.
  • Image Analysis API прекращает работу в ту же дату. По данным Microsoft, Image Analysis API прекращает работу 25 сентября 2028 года, включая подключенные и отключенные контейнеры. Если используешь оба сервиса, спланируй одну миграцию, а не две.
  • Сохрани изображения и метки для миграции. Качество переобученной модели не может быть выше качества исходного набора данных, поэтому сохрани размеченные данные вместе со всеми поддерживаемыми экспортами моделей.

Доступность сервисов и варианты экспорта после прекращения работы: обучение и запросы предсказаний Custom Vision, а также Image Analysis API прекращают работу; экспортированные файлы ONNX, TensorFlow, TensorFlow.js или CoreML продолжат работать локально, но их нельзя будет переобучить в Custom Vision; экспортированный контейнер Docker следует проверить при недоступном сервисе; до прекращения работы скачай и проверь отдельные копии изображений и меток

Доступность сервисов и варианты экспорта после прекращения работы согласно документации Microsoft по миграции и экспорту.

Шаг 1. Учти, что используется сейчас#

Прежде чем что-либо сравнивать, запиши, что у тебя есть. Для каждого проекта Custom Vision укажи:

  • Тип проекта: классификация изображений (многоклассовая или с несколькими метками) либо обнаружение объектов.
  • Домен: стандартный или компактный. Экспортировать модель можно только из проектов с компактным доменом.
  • Где используются предсказания: каждое приложение, скрипт, устройство или рабочий процесс, обращающийся к конечной точке предсказаний, и ответственный за него.
  • Критерии приемки текущей модели: показатели точности и полноты, на которые ты опираешься сейчас, а также ошибки с наибольшими последствиями. Пропущенный дефект и ложная браковка редко обходятся одинаково.
  • Набор данных: количество изображений, теги и число изображений с тегами и без них.
  • Ограничения: задержка, место выполнения инференса (облако, производственный цех, мобильное устройство, автономный режим), локализация данных и требуемый уровень доступа.
ПроектТипОбластьВызывается кем (ответственный)Критерии приемкиИзображения (с тегами / без тегов)ТегиОграничения
Пример: дефекты сварных швовОбнаружение объектовОбщий (компактный)Приложение контроля качества для линии 3 (ИТ-отдел предприятия)Полнота не менее 95% для трещин; ложная браковка — менее 2%4,200 / 1,1003На объекте, менее 200 мс

Первая строка показывает, насколько подробно нужно заполнить данные, а не содержит сведения о реальном проекте.

Этот список станет набором требований к замене и планом тестирования переключения.

Шаг 2. Заблаговременно выгрузи размеченные данные#

Microsoft рекомендует сначала экспортировать размеченные наборы данных и метаданные моделей, а затем преобразовать их в формат, необходимый новой платформе. Сделай это, пока сервис полностью поддерживается, чтобы осталось время проверить экспорт.

  • Изображения и метки: операция Get Tagged Images в Custom Vision Training API возвращает метаданные изображений, теги и, для обнаружения объектов, области. Установи take на 256, перебирай страницы с помощью skip и скачивай каждое исходное изображение через его originalImageUri. Одних метаданных недостаточно для резервного копирования изображений. Если в проекте включена функция VNET, возвращаются относительные пути; данные по ним нужно получать с помощью GetArtifact.
  • Проверь количество: прежде чем полагаться на экспорт, убедись, что число экспортированных изображений и меток совпадает с данными каждого проекта по каждому тегу.
  • Запиши настройки, связанные с данными: идентификаторы проектов и тегов, соответствие тегов классам, домен, опубликованную итерацию, пороги уверенности и предобработку, используемые приложениями.
  • Разберись, что делает ExportProject: API ExportProject от Microsoft копирует проект в другую учетную запись Custom Vision с помощью временного токена. Это не переносимая резервная копия набора данных.
  • Ограничивающие рамки: области обнаружения возвращаются в виде left, top, width и height в нормализованных координатах относительно размера изображения. Чтобы преобразовать их в формат YOLO (нормализованные координаты центра по x и y, ширина и высота) или COCO, нужно преобразовать координаты, сопоставить классы и проверить результат, чтобы выявить рамки, оказавшиеся не на месте.

Ограничивающая рамка Custom Vision, преобразованная в формат YOLO: Custom Vision хранит координаты левого верхнего угла left 0.30, top 0.25, а также ширину 0.35 и высоту 0.40; YOLO хранит координаты центра x_center 0.475, y_center 0.45 при тех же ширине и высоте

Одна и та же рамка в обоих форматах. В обоих используются координаты, нормализованные относительно размера изображения.

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"
  • Изображения без тегов: выгрузи и их с помощью операции Get Untagged Images. Они могут стать полезными дополнительными примерами для обучения после разметки.

Прежде чем экспортировать, проверь два числа на странице ограничений Microsoft. Для классификации Custom Vision требуется не менее 5 размеченных изображений на тег, а для обнаружения объектов — не менее 15; для обеих задач рекомендуется не менее 50. Кроме того, сервис хранит изображения предсказаний только 30 дней, поэтому сейчас сохрани те, которые понадобятся для переобучения.

  • Модели: для проектов с компактным доменом экспортируй текущую модель и используй ее как запасной вариант на время перехода. Чтобы экспортировать проект со стандартным доменом, сначала нужно переключить его на компактный домен и переобучить модель; компактная модель может быть немного менее точной.

Не изменяй исходный экспорт, а преобразуй его копию, чтобы всегда можно было вернуться к оригиналу. Если переходишь на Ultralytics Platform, естественным вариантом будет формат YOLO: Platform напрямую импортирует наборы данных YOLO, COCO и Ultralytics NDJSON.

Шаг 3. Выбери тип замены#

Команды, полагавшиеся на Amazon Lookout for Vision, который AWS вывела из эксплуатации 31 октября 2025 года, столкнулись с тем же выбором. Единственного правильного решения нет. Лучшая замена зависит от сценария и от того, какую часть конвейера команда хочет контролировать самостоятельно.

РешениеЛучше всего подходит дляЧем управляет командаЧто проверить
Azure Machine Learning с AutoML (рекомендованный Microsoft вариант)Команды, остающиеся в Azure и которым нужны собственные решения для классификации и обнаружения объектовРабочая область Azure ML, вычислительные ресурсы и развертываниеЗатраты на перестройку рабочих процессов обучения и развертывания в Azure ML
Управляемый сервис машинного обучения другого облачного провайдера, например Amazon SageMaker AI, Amazon Rekognition Custom Labels или Gemini Enterprise Agent Platform в Google CloudКоманды, стандартизирующие решения на базе этого облакаИнфраструктура обучения, развертывания и мониторинга провайдераВарианты экспорта, трудоемкость миграции и возможность перенести модель в дальнейшем
Сервисы генеративного ИИ в Microsoft Foundry (рекомендованный Microsoft вариант)Команды, готовые переработать решение с использованием моделей, работающих по промптам, или генеративных моделейПроектирование промптов, оценка и эксплуатация решенияТочность на конкретных дефектах или объектах, задержка и стабильность результатов
Специализированная обучаемая платформа компьютерного зрения, например LandingLens от Landing AI или Ultralytics PlatformКоманды, которым нужны разметка, обучение и развертывание в одном месте, с управляемой инфраструктурой обучения и развертыванияНаборы данных, разметка, оценка и интеграция с приложениямиПоддерживаемые задачи, форматы импорта, целевые платформы развертывания, переносимость обученных моделей и средства управления доступом команды
Разработка на базе фреймворков с открытым исходным кодомКоманды с ML-инженерами, которым нужен полный контрольКод обучения, инфраструктура и мониторингДолгосрочное сопровождение и штатное обеспечение
Готовая система инспекцииПроизводственные линии, которым нужны оборудование, программное обеспечение и интеграция от одного поставщикаВзаимодействие с поставщиком, приемочные испытания и постоянная поддержкаГибкость при изменении продуктов и типов дефектов

Оцени каждый вариант с учетом инвентаризации из шага 1, включая трудоемкость миграции, текущие расходы на вычислительные ресурсы и поддержку, требования к закупкам и наличие предварительной версии сервиса. Если для команды было важно иметь разметку, обучение и развертывание в одном месте, специализированная обучаемая платформа компьютерного зрения предлагает похожий интегрированный процесс разметки, обучения и развертывания; в разделе «Переход на Ultralytics Platform» ниже показано, как перенести каждый компонент проекта. Если инференс должен выполняться на устройстве или без подключения к сети, сначала проверь форматы экспорта. Если данные размечают и проверяют несколько человек, изучи роли и разрешения команды.

Шаг 4. Проверь модель на собственных изображениях#

Дополнительно к примерам поставщика оцени модель на собственных данных:

  1. Раздели данные на три части: обучающую, валидационную и тестовую выборку, которую новая модель не видела; включи в нее самые сложные и редкие случаи. Если это уместно, раздели данные по производственным партиям, камерам или периодам времени и убери почти одинаковые изображения из разных выборок, чтобы тест отражал новые условия.
  2. Переобучи модель на экспортированном наборе данных, используя те же теги или классы.
  3. Сравни результаты с критериями приемки из шага 1, а не только с одним показателем точности. Отдельно изучи пропущенные объекты и ложные срабатывания.
  4. Проведи испытания в реальных условиях запуска: с теми же камерами, устройствами или сетевым подключением, что и в рабочей среде.
  5. Адаптируй интеграцию: проверь аутентификацию, форматы запросов и ответов, предобработку, пороги уверенности и обработку ошибок для замены, затем обнови и протестируй каждое приложение, не считая, что достаточно заменить URL конечной точки.
  6. Проведи испытания при производственной нагрузке: проверь параллелизм, холодный запуск, повторные попытки и поведение системы при сбое.

На Ultralytics Platform можно обучить модель на преобразованном наборе данных с помощью облачного обучения, следить за метриками в реальном времени, а затем проверить модель в условиях эксплуатации.

Если новая модель показывает недостаточные результаты, прежде чем выбирать решение, изучи разметку, предобработку, пригодность модели и поведение при развертывании. Миграция — хороший момент, чтобы исправить несогласованную разметку и добавить примеры случаев, с которыми старая модель справлялась плохо.

Шаг 5. Спланируй переключение#

Последовательность переключения: 1 — пилотное тестирование на отложенных изображениях, 2 — параллельная работа с текущей моделью, 3 — переключение одного приложения, 4 — мониторинг и повторение; если до переключения критерии приемки не выполнены, изучи данные, предобработку, модель и интеграцию, затем исправь проблемы и повтори тестирование; если после переключения превышен порог отката, вернись к проверенному запасному варианту

Последовательность переключения для каждого приложения, которое сейчас обращается к Custom Vision.

  • Запусти модели параллельно. В течение некоторого времени передавай одни и те же изображения старой и новой моделям и сравнивай результаты, прежде чем переключаться.
  • Переключай потребителей по одному, начиная с приложения с наименьшим риском.
  • Заранее определи условия отката, например долю пропусков или ложных отклонений выше согласованного предела, и сохрани резервный вариант, пока не будешь уверен в результате: до вывода из эксплуатации — текущую конечную точку Custom Vision, а после — отдельный уже протестированный резервный вариант, например экспортированную компактную модель.
  • Назначь ответственного за переключение каждого приложения, чтобы ни одно из них не продолжало обращаться к выведенной из эксплуатации конечной точке.
  • Учитывай, как сейчас работает каждое приложение. На Ultralytics Platform модель может выдавать прогнозы через выделенную конечную точку или быть экспортирована для запуска на твоём оборудовании, поэтому и облачные клиенты, и приложения на устройствах смогут использовать подходящий вариант.
  • Определи, кто отвечает за переобучение. Продукты, освещение и типы дефектов меняются. Договорись, кто будет проверять новые данные и как часто переобучать модель, чтобы новая система могла адаптироваться к изменениям условий производства.

Переход на Ultralytics Platform#

Если вашей команде нравился процесс работы в Custom Vision, где разметка, обучение и развёртывание выполняются в одном месте, Ultralytics Platform предлагает такой же сквозной рабочий процесс на основе моделей Ultralytics YOLO. Вот где окажется каждая часть проекта Custom Vision после перехода:

В Custom VisionВ Ultralytics Platform
Проекты классификации и обнаружения объектовДатасеты для классификации и обнаружения, а также сегментации, оценки позы и ориентированных ограничивающих рамок
Помеченные изображения и областиЗагрузи преобразованный экспорт в формате YOLO, COCO или Ultralytics NDJSON
Разметка на порталеРедактор аннотаций со средствами интеллектуальной разметки для обнаружения объектов на основе SAM, предварительно обученных моделей YOLO или собственной дообученной модели. Изображения для классификации размечаются вручную
Итерации обученияОбучение в облаке на GPU с потоковой передачей метрик в реальном времени и автоматическим сохранением контрольных точек
Конечная точка прогнозированияВыделенные конечные точки в 42 регионах
Экспорт компактных моделей для устройствЭкспорт модели в такие форматы, как ONNX, TensorRT и CoreML, при условии совместимости с моделью и задачей
Общий доступ к проектуКомандные рабочие пространства с ролями владельца, администратора, редактора и наблюдателя (проверь требования к команде) в регионе данных США, ЕС или Азиатско-Тихоокеанского региона

Диалоговое окно «Новый датасет» в Ultralytics Platform: загрузка датасетов YOLO, COCO и Ultralytics NDJSON в виде файлов ZIP, TAR или NDJSON

В диалоговом окне «Новый датасет» в Ultralytics Platform можно загрузить датасеты YOLO, COCO и Ultralytics NDJSON. Показанные ограничения на загрузку относятся к учётной записи, использованной для этого снимка экрана.

Вот несколько моментов, которые нужно учесть:

  • Обучение вместо импорта. Модели Custom Vision нельзя загрузить, поэтому тебе нужно обучить модель YOLO на экспортированных данных.
  • Многометочная классификация. В датасетах для классификации на Platform каждому изображению соответствует одна метка, поэтому до переноса реши, как работать с проектами, в которых у изображений несколько меток.
  • Конфиденциальность и регион. Новые датасеты по умолчанию становятся общедоступными или приватными в зависимости от настроек видимости по умолчанию для твоего рабочего пространства, поэтому при создании помечай проприетарные датасеты как «Приватные». Регион данных выбирается при регистрации, и позже ты не сможешь изменить его самостоятельно.
  • Вычислительная мощность для обслуживания. Каждая выделенная конечная точка запускает один активный экземпляр. Размер экземпляра по умолчанию уменьшается до нуля в периоды простоя, а пользовательские размеры поддерживают экземпляр в готовом состоянии. Поэтому проверь пропускную способность и время холодного запуска на соответствие требованиям производства или экспортируй модель для запуска на собственной инфраструктуре.
  • Область применения. Платформа компьютерного зрения заменяет модельную часть системы инспекции, но не камеры, освещение и интеграцию с производственной линией.

Начни с одного проекта: преобразуй репрезентативный экспорт датасета Custom Vision в поддерживаемый формат, загрузи его на Ultralytics Platform, обучи модель и сравни её с критериями приёмки, согласованными на шаге 1. Планируешь масштабный переход? Свяжись с нашей командой и расскажи о количестве проектов, типах задач, размерах датасетов, целевых показателях задержки и ограничениях развёртывания.

Часто задаваемые вопросы

  • 25 сентября 2028 года. Microsoft поддерживает существующих клиентов до этой даты и попросила их спланировать переход к 25 сентября 2026 года.

  • Файл модели, экспортированный в ONNX, TensorFlow, TensorFlow.js или CoreML, работает на собственном оборудовании без обращения к службе Custom Vision, поэтому его можно продолжать использовать. Если ты пользуешься экспортированным контейнером Docker, проверь его работу при недоступности службы, прежде чем полагаться на него. Переобучить модель в Custom Vision не получится, а экспорт доступен только для проектов компактного домена.

  • Да. Операция Get Tagged Images в Training API возвращает метаданные изображений, метки и области обнаружения объектов — до 256 изображений за запрос, с originalImageUri для каждого исходного изображения (для проектов с включённой функцией VNET возвращаются относительные пути, которые можно получить с помощью GetArtifact). Скачай сами изображения, а затем преобразуй области в формат новой платформы, например YOLO или COCO.

  • В рекомендациях Microsoft по переходу предлагается использовать Azure Machine Learning с AutoML для пользовательской классификации и обнаружения объектов, а также генеративный ИИ в Microsoft Foundry, включая Azure Content Understanding для пользовательской классификации.

  • При переходе на Ultralytics Platform запланируй обучение поддерживаемой модели YOLO на преобразованном датасете, поскольку загрузка экспортированных моделей Custom Vision на Platform не поддерживается. Сохрани метки, проверь их качество и оцени новую модель до переключения.

Автор

Jing Qiu
Jing Qiu

Старший инженер по машинному обучению · Ultralytics

Цзин Цю — старший инженер по машинному обучению в Ultralytics. Он работает над повышением производительности, масштабируемости и практической применимости передовых моделей компьютерного зрения. Его работа охватывает архитектуру моделей, оптимизацию обучения и развёртывание, помогая обеспечить ведущие в отрасли точность и эффективность Ultralytics YOLO для разработчиков и предприятий по всему миру.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.

Изучи решения

Компьютерное зрение в спорте

Компьютерное зрение в спорте

Узнай, как Ultralytics YOLO обеспечивает компьютерное зрение в спорте: отслеживание игроков и мяча, аналитика результатов, полезные выводы для тренеров и реабилитация спортсменов.
Подробнее
Компьютерное зрение для аэросъёмки

Компьютерное зрение для аэросъёмки

Превращай снимки с дронов и аэрофотоснимки в полезные данные в реальном времени для сельского хозяйства, аквакультуры, охраны природы и геопространственного анализа с Ultralytics YOLO.
Подробнее
Компьютерное зрение в аэрокосмической отрасли

Компьютерное зрение в аэрокосмической отрасли

Применяй компьютерное зрение в аэрокосмической отрасли с Ultralytics YOLO: для осмотра самолётов, обнаружения посторонних предметов на взлётно-посадочных полосах, наземного обслуживания аэропортов и выявления дефектов композитных материалов.
Подробнее
Компьютерное зрение в сфере безопасности

Компьютерное зрение в сфере безопасности

Защити любой объект с помощью моделей Ultralytics YOLO. ИИ на базе компьютерного зрения обеспечивает мониторинг периметра, обнаружение угроз, распознавание номерных знаков и безопасность на рабочем месте.
Подробнее
Компьютерное зрение в робототехнике

Компьютерное зрение в робототехнике

Создавай более интеллектуальные машины с моделями Ultralytics YOLO. ИИ на базе компьютерного зрения в робототехнике обеспечивает автономную навигацию, восприятие, отслеживание объектов и управление в реальном времени.
Подробнее
Компьютерное зрение в логистике

Компьютерное зрение в логистике

Оптимизируй логистику с моделями Ultralytics YOLO. Визуальный AI обеспечивает проверку посылок, сортировку, отслеживание транспорта и мониторинг безопасности на складе в реальном времени.
Подробнее
Компьютерное зрение в розничной торговле

Компьютерное зрение в розничной торговле

Переосмысли розничную торговлю с моделями Ultralytics YOLO. Визуальный AI обеспечивает отслеживание запасов, мониторинг полок, управление очередями и более глубокое понимание поведения покупателей.
Подробнее
Компьютерное зрение в здравоохранении

Компьютерное зрение в здравоохранении

Создавай решения для здравоохранения с моделями Ultralytics YOLO. Визуальный AI в здравоохранении ускоряет медицинскую визуализацию, улучшает диагностику и мониторинг пациентов.
Подробнее
Компьютерное зрение в производстве

Компьютерное зрение в производстве

Оптимизируй производство с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ обеспечивает контроль качества, обнаружение дефектов, контроль использования СИЗ и автоматизацию сборочных линий.
Подробнее
Компьютерное зрение в автомобильной отрасли

Компьютерное зрение в автомобильной отрасли

Применяй компьютерное зрение в автомобильной отрасли с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ повышает безопасность дорожного движения, улучшает помощь водителю и автоматизацию автомобилей, делая дороги умнее.
Подробнее
Компьютерное зрение в сельском хозяйстве

Компьютерное зрение в сельском хозяйстве

Внедряй ИИ для компьютерного зрения в умное сельское хозяйство с моделями Ultralytics YOLO. Используй их для мониторинга посевов, отслеживания скота и точного земледелия, чтобы повысить урожайность и эффективность.
Подробнее

Давай вместе строить будущее ИИ!

Начни свой путь в будущее машинного обучения