Лучшие платформы для обучения собственных классификаторов изображений

Иллюстративная сцена контроля, созданная ИИ. На плитках показаны четыре правильно классифицированных тестовых фотографии, отобранные для наглядности, из набора данных Fabric Stain. Обученная нами модель Ultralytics YOLO26s-cls правильно классифицировала 65 из 71 тестового изображения, включая 7 из 11 изображений без пятен и 58 из 60 изображений с пятнами. Плитки представляют собой квадратные фрагменты тестовых фотографий. Оценки показывают уверенность модели, а не точность.

Лучшая платформа для обучения собственного классификатора изображений зависит от того, где будет работать модель и какой уровень контроля тебе нужен. Облачные платформы без кода, такие как Amazon Rekognition Custom Labels, AutoML на Gemini Enterprise Agent Platform (ранее Vertex AI AutoML), LandingLens и Ultralytics Platform, позволяют загружать размеченные изображения и обучать модель без кода. Рабочие процессы для разработчиков, такие как Amazon SageMaker AI, Azure Machine Learning AutoML и Hugging Face Transformers, дают больше контроля над моделью и задачей обучения. Инструменты для периферийных устройств, такие как Edge Impulse, предназначены для небольших устройств, а Teachable Machine — бесплатный способ создавать прототипы в браузере.

При выборе важно учитывать статус сервиса. Microsoft выводит Azure Custom Vision из эксплуатации 25 сентября 2028 года, а Hugging Face AutoTrain больше не поддерживается. Теперь Google называет Vertex AI AutoML AutoML на Gemini Enterprise Agent Platform; в этом руководстве для краткости используется название Google Cloud AutoML.

В этом руководстве сравниваются инструменты для обучения классификатора на собственных размеченных изображениях, объясняется, как сделать выбор, и показывается, как протестировать классификатор до принятия решения. Чтобы выбрать архитектуру модели, смотри сравнение моделей классификации изображений. Чтобы обслуживать уже имеющуюся модель, смотри сравнение платформ для инференса компьютерного зрения. Ultralytics публикует это сравнение и предлагает одну из рассмотренных платформ.

Что сравнивать#

Классификация изображений присваивает всему изображению одну или несколько меток, например «дефектная деталь» или «норма» для детали на производственной линии. Платформы для обучения классификаторов различаются по пяти параметрам, которые важнее списков функций:

• Метки: одна метка (один класс на изображение) или несколько меток (несколько классов на изображение). Не все платформы поддерживают оба варианта.
• Контроль: AutoML самостоятельно выбирает модель и настройки; платформы для разработчиков позволяют выбирать архитектуру, размер изображения и параметры обучения.
• Где работает модель: некоторые платформы обслуживают модель только в собственном облаке, другие позволяют экспортировать её и запускать на своём оборудовании.
• Модель оплаты: стоимость обучения, часы хостинга и плата за прогнозирование каждого изображения складываются по-разному. Постоянно работающая модель может обходиться дороже, чем её обучение.
• Расположение данных: где хранятся и обрабатываются изображения; это важно для данных, подпадающих под нормативные требования.

Сравнение платформ для обучения классификаторов изображений#

Это инструменты разных типов: управляемые сервисы AutoML, рабочие процессы для разработчиков и браузерные средства для прототипирования. Сначала составь список вариантов с учётом поддержки меток и места запуска модели, затем сравни стоимость и проверь, не справится ли с задачей уже существующая предварительно обученная модель.

Платформы перечислены в алфавитном порядке. Документация поставщиков проверена 9 ноября 2026 года; это сравнение возможностей, а не практический бенчмарк. На небольших экранах прокрути таблицу по горизонтали, чтобы увидеть все столбцы.

Примеры подходящих вариантов с учётом требований. Группы пересекаются; перед выбором проверь поддержку меток, права на развёртывание и совместимость со средой выполнения.

Ultralytics Platform обучает классификаторы с одной меткой, то есть каждому изображению присваивается один класс. Если тебе нужна классификация с несколькими метками, рассмотри Azure Machine Learning AutoML или Google Cloud AutoML.

Как выбрать#

Начни с решения, по которому у тебя меньше всего возможностей для компромисса.

Тебе нужно решение без кода с управляемым API#

Выбери сервис AutoML в облаке, которым ты уже пользуешься: Amazon Rekognition Custom Labels в AWS или Google Cloud AutoML в Google Cloud. Оба сервиса самостоятельно обрабатывают модель и её настройки. Проверь, как долго модель должна оставаться запущенной: Rekognition Custom Labels выставляет счёт за каждый час работы модели, даже если она не анализирует изображения.

Тебе нужно запускать модель на собственном оборудовании#

Выбери платформу, которая позволяет экспортировать обученную модель. Edge Impulse, Google Cloud AutoML (модели Edge), Teachable Machine и Ultralytics Platform поддерживают экспорт моделей; перед выбором проверь совместимую среду выполнения, ограничения плана и условия лицензии. Для заводских ПК, камер и GPU экспортированная модель классификации YOLO26 работает с ONNX, TensorRT или OpenVINO. Edge Impulse разработан для микроконтроллеров.

Тебе нужен полный контроль над моделью#

Чтобы управлять архитектурой и параметрами обучения, используй SageMaker с собственным кодом обучения или создай рабочий процесс с PyTorch, TensorFlow, Keras, Hugging Face Transformers либо пакетом Ultralytics YOLO. Проверь, какие архитектуры поддерживает каждая библиотека. Инструменты AutoML, например Azure Machine Learning AutoML, позволяют управлять моделями и настройками в рамках поддерживаемых вариантов. В любом случае будь готов к дополнительной настройке.

Ты переходишь с Azure Custom Vision#

Microsoft будет полностью поддерживать существующих клиентов до 25 сентября 2028 года и рекомендует Azure Machine Learning AutoML для пользовательской классификации. Для перехода экспортируй изображения и назначенные им метки, сохрани несколько меток там, где они использовались, и преобразуй данные в формат импорта новой платформы перед повторным обучением.

Ты изучаешь возможности или создаёшь прототип#

Teachable Machine бесплатный и позволяет обучать модель в браузере, поэтому с его помощью удобно проверить, можно ли разделить твои классы, прежде чем собирать полный набор данных.

Как проверить классификатор до принятия решения#

Демо-точность платформы мало что говорит о том, как она справится с твоими изображениями. Проведи один и тот же короткий тест на каждой платформе из списка:

1. Раздели данные на обучающую, валидационную и тестовую выборки. Возьми тестовые изображения с камер и в условиях, с которыми модель столкнётся в продакшене; близкие дубликаты и изображения из одной последовательности съёмки оставь в одной выборке.
2. Обучи базовую модель на одних и тех же обучающих изображениях с настройками каждой платформы по умолчанию и отметь все ограничения на вычислительные ресурсы, бюджет обучения или размер изображений.
3. Выбери вариант по валидационной выборке. Сравни точность, полноту и матрицу ошибок для каждого класса, а также скорость на оборудовании, которое будешь использовать; на этом этапе задай все необходимые пороговые значения.
4. Один раз проверь окончательный вариант на нетронутой тестовой выборке: используй точность top-1 для классификаторов с одной меткой либо точность, полноту и F1 для каждой метки в классификаторах с несколькими метками.
5. Проверь полную стоимость: обучение плюс плата за хостинг или прогнозирование при ожидаемом объёме.
6. Проверь возможность перейти на другое решение: можно ли скачать обученную модель, в каком формате и на каких условиях лицензии?

Используй на всех платформах одни и те же изображения, метки и разбиение на выборки, преобразуя их в формат импорта каждой платформы. В качестве дополнительного примера ниже показан финальный тест с 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}")

Смотри формат набора данных для классификации, чтобы узнать о структуре папок, документацию по Classify с примерами классификации и настройки обучения, чтобы увидеть все параметры обучения. Храни данные в отдельных папках train, val и test: если папки test нет, при итоговой проверке будут использоваться изображения для валидации.

Какую роль играет Ultralytics#

Ultralytics поддерживает обучение и экспорт классификаторов с одной меткой. Прежде чем выбирать это решение, сравни его результаты на собственных данных.

• Обучай в облаке или локально. Ultralytics Platform обучает классификаторы YOLO26 на облачных GPU в браузере, а пакет Python с открытым исходным кодом ultralytics позволяет обучать те же модели на собственном компьютере.
• Подготовь данные и обучи модель в рамках одного рабочего процесса. Импортируй наборы данных в формате папок классов с помощью инструкций по работе с наборами данных на платформе, проверь метки и разбиение на выборки, а затем обучи модель в Ultralytics Platform.
• Запускай модель там, где нужно. Экспортируй модель в ONNX, TensorRT, CoreML, LiteRT и другие форматы или разверни её на эндпоинте платформы.
• Учитывай ограничения. Классификаторы работают с одной меткой. Эндпоинты платформы используют CPU, поэтому для обслуживания больших объёмов лучше использовать собственное оборудование или другое облако с GPU. Ultralytics предлагает лицензирование AGPL-3.0 и Enterprise: для проприетарных развёртываний, которые не могут выполнять обязательства AGPL-3.0, нужна лицензия Enterprise.