YOLO'yu lisansla
Kılavuzlar

Azure Custom Vision kullanımdan kaldırılıyor: Görüntü modellerin için geçiş kontrol listesi

Azure Custom Vision 25 Eylül 2028'de kullanımdan kaldırılıyor. Geçişini planla, etiketli verilerini dışa aktar ve Ultralytics Platform'da yeniden eğit.

Jing QiuJing Qiu13 dakikalık okuma
Azure Custom Vision geçiş kontrol listesi için Ultralytics kapak görseli: Custom Vision algılama projelerini, etiketlemeyi, eğitim yinelemelerini ve tahmin uç noktasını Platform veri kümeleri, açıklama düzenleyicisi, bulut eğitimi ve özel uç noktalarla eşleyen panelin yer aldığı Ultralytics Platform Yeni Veri Kümesi iletişim kutusu

Azure Custom Vision 25 Eylül 2028'de kullanımdan kaldırılıyor. Bulut eğitimini veya tahmini kullanan ekiplerin bu tarihten önce başka bir çözüme geçmesi gerekiyor; dışa aktarılmış modelleri çalıştıran ekipler de ürünler ve kameralar değiştikçe modellerini yeniden eğitebilecekleri bir yer arayacak. Etiketlemeye, eğitime ve dağıtıma yıllarca devam edebileceğin bir platforma geçmek için iyi bir zaman.

Bu kontrol listesi, geçişin sorunsuz ilerlemesine yardımcı olacak beş adımı ele alıyor: bugün neleri çalıştırdığını envantere kaydet, etiketli verilerini al, nereye geçeceğini seç, yeni modeli kendi görüntülerinle doğrula ve ardından bir geri dönüş seçeneğiyle geçiş yap. Süreç boyunca, Custom Vision projesinin her bir parçasının Ultralytics Platform üzerine nasıl taşınacağını gösteriyor. Burada Ultralytics YOLO modellerini tek bir yerde etiketleyebilir, eğitebilir ve dağıtabilirsin; böylece geçiş, ekibine geçici bir çözüm değil, uzun vadeli bir yuva sağlar.

Neler, ne zaman değişiyor?#

Microsoft'un Custom Vision geçiş yönergelerine göre:

  • 25 Eylül 2028: Custom Vision kullanımdan kaldırılacak ve hizmet kullanılamaz hâle gelecek. Microsoft, mevcut müşterilere bu tarihe kadar tam destek sağlayacak.
  • 25 Eylül 2026: Microsoft'un müşterilerden geçiş planı yapmalarını istediği son tarih.

Microsoft'un tarihlerini gösteren zaman çizelgesi: Microsoft'un müşterilerden geçiş planı yapmalarını istediği 25 Eylül 2026 tarihi geçti; 25 Eylül 2028'de Custom Vision kullanımdan kaldırılıyor ve Image Analysis API de aynı gün kullanımdan kaldırılıyor

Microsoft'un geçiş yönergelerinde yer alan Azure Custom Vision ve Image Analysis API için kullanımdan kaldırılma tarihleri.

Bu pratikte ne anlama geliyor:

  • Bulut eğitimi ve tahmin duracak. Custom Vision tahmin uç noktasını çağıran her uygulamanın, kullanımdan kaldırılma tarihinden önce yeni bir uç noktaya geçmesi gerekiyor.
  • Dışa aktarılmış modeller hizmetin devamlılığını sağlayabilir. Custom Vision, kendi donanımında çalıştırman için bir modeli ONNX, TensorFlow, TensorFlow.js, CoreML veya Docker kapsayıcısı olarak dışa aktarabilir. ONNX gibi model dosyaları hizmeti çağırmaz; Microsoft, Docker kapsayıcısının Custom Vision API için hizmet kodu içerdiğini belirtiyor. Bu nedenle kapsayıcıya güvenmeden önce hizmet kullanılamaz durumdayken test et. Dışa aktarma yalnızca kompakt etki alanı kullanan projelerde çalışır ve Microsoft, kompakt modellerin standart etki alanı modellerinden biraz daha az doğru olabileceğini belirtiyor. Kullanımdan kaldırıldıktan sonra dışa aktarılmış bir modeli Custom Vision'da yeniden eğitemezsin; bu nedenle ürünlerin, kameraların ve kusurların değişmesiyle model performansı düşebilir.
  • Image Analysis API de aynı tarihte kullanımdan kaldırılıyor. Microsoft'a göre Image Analysis API, bağlı ve bağlantısız kapsayıcılar da dâhil olmak üzere 25 Eylül 2028'de kullanımdan kaldırılıyor. Her iki hizmeti de kullanıyorsan iki ayrı geçiş değil, tek bir geçiş planla.
  • Geçiş için görüntülerini ve etiketlerini koru. Yeniden eğitilmiş bir model, ancak arkasındaki veri kümesi kadar iyi olabilir. Bu nedenle etiketli verilerini desteklenen model dışa aktarımlarıyla birlikte sakla.

Kullanımdan kaldırılma tarihinde hizmet kullanılabilirliği ve dışa aktarma seçenekleri: Custom Vision eğitim ve tahmin çağrıları ile Image Analysis API kullanımdan kaldırılıyor; dışa aktarılmış ONNX, TensorFlow, TensorFlow.js veya CoreML dosyaları yerel olarak çalışmaya devam edebilir ancak Custom Vision'da yeniden eğitilemez; dışa aktarılmış Docker kapsayıcısı hizmet kullanılamaz durumdayken test edilmelidir; kullanımdan kaldırılmadan önce görüntülerinin ve etiketlerinin bağımsız kopyalarını indirip doğrula

Microsoft'un geçiş ve dışa aktarma belgelerine dayalı olarak kullanımdan kaldırılma tarihindeki hizmet kullanılabilirliği ve dışa aktarma seçenekleri.

1. Adım: Bugün neleri çalıştırdığını envantere kaydet#

Herhangi bir şeyi karşılaştırmadan önce elindekileri yaz. Her Custom Vision projesi için şunları kaydet:

  • Proje türü: görüntü sınıflandırma (çok sınıflı veya çok etiketli) ya da nesne algılama.
  • Etki alanı: standart veya kompakt etki alanı. Yalnızca kompakt etki alanı projeleri model dışa aktarabilir.
  • Tahminlerin kullanıldığı yerler: tahmin uç noktasını çağıran her uygulama, betik, cihaz veya iş akışı ve bunların sahibi.
  • Mevcut modelin kabul ölçütleri: bugün güvendiğin kesinlik ve duyarlılık değerleri ile en yüksek maliyetli hatalar. Kaçırılan bir kusurla hatalı ret genellikle aynı maliyete yol açmaz.
  • Veri kümesi: görüntü sayısı, etiketler ve etiketlenmiş ile etiketsiz görüntülerin sayısı.
  • Kısıtlamalar: gecikme, çıkarımın nerede çalışması gerektiği (bulut, fabrika sahası, mobil, çevrimdışı), veri yerleşimi ve kimin erişmesi gerektiği.
ProjeTürAlanÇağıran (sorumlu)Kabul ölçütleriGörüntüler (etiketli / etiketsiz)EtiketlerKısıtlamalar
Örnek: weld-defectsNesne algılamaGenel (kompakt)3. Hat kalite güvence uygulaması (Fabrika BT)Çatlaklarda en az %95 duyarlılık; hatalı ret oranı %2'nin altında4,200 / 1,1003Sahada, 200 ms'nin altında

İlk satır, kaydedilmesi gereken ayrıntı düzeyine örnektir; gerçek bir projeden alınmış veri değildir.

Bu liste, yeni çözüm için gereksinimlerini ve geçiş testi planını oluşturur.

2. Adım: Etiketli verilerini erkenden al#

Microsoft'un yönergeleri, önce etiketli veri kümelerini ve model meta verilerini dışa aktarmanı, ardından bunları yeni platformunun ihtiyaç duyduğu biçime dönüştürmeni öneriyor. Hizmet tam desteklenirken bunu yaparak dışa aktarımı doğrulamak için kendine zaman tanı.

  • Görüntüler ve etiketler: Custom Vision Training API'nin Get Tagged Images işlemi görüntü meta verilerini, etiketleri ve nesne algılama için bölgeleri döndürür. take değerini 256 olarak ayarla, skip ile sayfaları dolaş ve her özgün görüntüyü originalImageUri üzerinden indir. Meta veriler tek başına görüntülerinin yedeği değildir. VNET özelliğinin etkin olduğu projeler, bunun yerine GetArtifact ile alabileceğin göreli yollar döndürür.
  • Sayıları kontrol et: Dışa aktarıma güvenmeden önce, dışa aktardığın görüntü ve etiket sayılarının her proje için etiket bazında bildirilen sayılarla eşleştiğini doğrula.
  • Veriyle ilgili ayarları kaydet: proje ve etiket kimlikleri, etiket-sınıf eşlemen, etki alanı, yayımlanmış yineleme ve uygulamalarının kullandığı güven eşikleri ile ön işleme ayarları.
  • ExportProject işlevinin ne yaptığını bil: Microsoft'un ExportProject API'si, geçici bir belirteç kullanarak projeyi başka bir Custom Vision hesabına kopyalar. Veri kümenin taşınabilir bir yedeği değildir.
  • Sınırlayıcı kutular: Algılama bölgeleri, görüntü boyutuna göreli normalize edilmiş koordinatlarla left, top, width ve height olarak döner. Bunları YOLO biçimine (normalize edilmiş merkez x, merkez y, genişlik, yükseklik) veya COCO biçimine dönüştürmek; yanlış yere düşen kutuları yakalamak için koordinat dönüşümü, sınıf eşlemesi ve doğrulama gerektirir.

YOLO biçimine dönüştürülmüş bir Custom Vision sınırlayıcı kutusu: Custom Vision, sol üst köşeyi left 0.30, top 0.25; genişliği 0.35 ve yüksekliği 0.40 olarak saklar; YOLO ise aynı genişlik ve yükseklikle merkezi x_center 0.475, y_center 0.45 olarak saklar

Her iki biçimde de aynı kutu. Her ikisi de görüntü boyutuna göre normalize edilmiş koordinatlar kullanır.

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"
  • Etiketsiz görüntüler: Bunları da Get Untagged Images işlemiyle dışa aktar. Etiketleyebildiğinde ek eğitim örnekleri olarak yararlı olabilirler.

Dışa aktarmadan önce Microsoft'un sınırlar sayfasındaki iki sayıyı kontrol et. Custom Vision, sınıflandırma için etiket başına en az 5, nesne algılama içinse 15 etiketli görüntü gerektirir ve her ikisi için de en az 50 görüntü önerir. Ayrıca tahmin görüntülerini yalnızca 30 gün saklar; yeniden eğitim için kullanmak istediklerini şimdi kaydet.

  • Modeller: Kompakt etki alanı projelerinde, geçiş sırasında çalıştırabileceğin bir yedek olarak mevcut modeli dışa aktar. Standart etki alanı projesinin dışa aktarılabilmesi için önce kompakt etki alanına geçirilip yeniden eğitilmesi gerekir; kompakt model biraz daha az doğru olabilir.

Ham dışa aktarımı değiştirmeden sakla ve bir kopyasını dönüştür; böylece her zaman özgün hâline dönebilirsin. Ultralytics Platform'a geçiyorsan YOLO biçimi doğal bir hedef olur; çünkü Platform, YOLO, COCO ve Ultralytics NDJSON veri kümelerini doğrudan içe aktarır.

3. Adım: Nasıl bir alternatif seçeceğine karar ver#

AWS'nin 31 Ekim 2025'te kullanımdan kaldırdığı Amazon Lookout for Vision'a güvenen ekipler de aynı tercihle karşılaştı. Tek bir doğru yanıt yok. En iyi alternatif, senaryona ve ekibinin işlem hattının ne kadarını yönetmek istediğine bağlıdır.

SeçenekEn uygun olduğu durumEkibinin yönetecekleriKontrol edilecekler
AutoML'li Azure Machine Learning (Microsoft'un önerdiği yol)Azure'da kalıp özel sınıflandırma ve algılama isteyen ekiplerAzure ML çalışma alanı, işlem kaynakları ve dağıtımEğitim ve dağıtım iş akışlarını Azure ML'de yeniden oluşturmanın gerektirdiği çaba
Amazon SageMaker AI, Amazon Rekognition Custom Labels veya Google Cloud'daki Gemini Enterprise Agent Platform gibi başka bir bulut sağlayıcısının yönetilen ML hizmetiBu bulutta standartlaşan ekiplerSağlayıcının eğitim, dağıtım ve izleme yapılandırmasıDışa aktarma seçenekleri, geçiş için gereken çaba ve modelini daha sonra taşıyıp taşıyamayacağın
Microsoft Foundry'deki üretken AI hizmetleri (Microsoft'un önerdiği yol)Çözümü istem tabanlı veya üretken modeller etrafında yeniden tasarlamaya istekli ekiplerİstem tasarımı, değerlendirme ve çözümün işletilmesiBelirli kusurların veya nesnelerin üzerindeki doğruluk, gecikme ve tutarlılık
Landing AI'dan LandingLens veya Ultralytics Platform gibi, özel olarak eğitilebilir bir görüntü platformuYönetilen eğitim ve dağıtım altyapısıyla etiketleme, eğitim ve dağıtımı tek yerde isteyen ekiplerVeri kümeleri, etiketleme, değerlendirme ve uygulamalarınla entegrasyonDesteklenen görevler, içe aktarma biçimleri, dağıtım hedefleri, eğitilmiş modellerin taşınabilirliği ve ekip erişim denetimleri
Açık kaynaklı çerçeveler üzerine kurTam kontrol isteyen ML mühendislerine sahip ekiplerEğitim kodu, altyapı ve izlemeUzun vadeli bakım ve personel ihtiyacı
Kullanıma hazır bir inceleme sistemiDonanım, yazılım ve entegrasyonu tek bir tedarikçiden isteyen üretim hatlarıTedarikçi koordinasyonu, kabul testleri ve sürekli destekÜrünler ve kusur türleri değiştiğinde esneklik

Geçiş için gereken çaba, devam eden işlem ve destek maliyetleri, satın alma gereksinimleri ve hizmetin hâlâ önizleme aşamasında olup olmadığı dâhil her seçeneği 1. adımdaki envanterine göre puanla. Ekibin etiketleme, eğitim ve dağıtımı tek bir yerde yapmaya değer verdiyse, özel olarak eğitilebilir bir görüntü platformu benzer bir bütünleşik etiketleme, eğitim ve dağıtım iş akışı sunar; aşağıdaki "Ultralytics Platform'a Geçiş" bölümü projenin her bir parçasını eşler. Çıkarımın bir cihazda veya çevrimdışı çalışması gerekiyorsa önce dışa aktarma biçimlerini kontrol et. Verileri birden fazla kişi etiketleyip inceliyorsa ekip rollerini ve izinlerini kontrol et.

4. Adım: Kendi görüntülerinde doğrula#

Sağlayıcı örneklerine ek olarak kendi verilerinle değerlendirme yap:

  1. Verilerini üçe ayır: eğitim, doğrulama ve yeni modelin hiç görmediği, en zor ve en nadir durumları da içeren dokunulmamış bir test kümesi. Uygun olduğunda üretim partisine, kameraya veya zaman aralığına göre ayır ve testin yeni koşulları yansıtması için bölümler arasındaki neredeyse aynı görüntüleri çıkar.
  2. Aynı etiketleri veya sınıfları kullanarak dışa aktardığın veri kümesinde yeniden eğitim yap.
  3. Yalnızca tek bir doğruluk değerine değil, 1. adımdaki kabul ölçütlerine göre karşılaştır. Kaçırılan algılamaları ve yanlış alarmları ayrı ayrı incele.
  4. Gerçekte çalışacağı yerde test et: üretimdeki kameraların, cihazların veya ağ yolunun aynısını kullan.
  5. Entegrasyonu uyarla: Yeni uç nokta URL'sinin tek başına yeterli olduğunu varsaymak yerine alternatif çözümün kimlik doğrulamasını, istek ve yanıt biçimlerini, ön işlemeyi, güven eşiklerini ve hata işlemeyi kontrol et; ardından her uygulamayı güncelle ve test et.
  6. Üretim yükü altında test et: eşzamanlılığı, soğuk başlatmaları, yeniden denemeleri ve kesinti sırasında neler olduğunu kontrol et.

Ultralytics Platform'da dönüştürülmüş veri kümesinde bulut eğitimiyle eğitim yapabilir, ölçümleri gerçek zamanlı izleyebilir ve ardından modeli üretim koşullarında test edebilirsin.

Yeni model yetersiz kalırsa düzeltmeye karar vermeden önce etiketleri, ön işlemeyi, modelin uygunluğunu ve dağıtım davranışını incele. Geçiş, tutarsız etiketleri düzeltmek ve eski modelin zorlandığı durumlara örnekler eklemek için iyi bir fırsattır.

5. Adım: Geçişi planla#

Geçiş sırası: 1 ayrılmış görüntülerde pilot çalışma yap, 2 mevcut modelle paralel çalıştır, 3 bir uygulamayı geçir, 4 izle ve ardından tekrarla; geçişten önce kabul ölçütleri karşılanmazsa verileri, ön işlemeyi, modeli ve entegrasyonu incele, sonra düzeltip yeniden test et; geçişten sonra geri alma eşiği aşılırsa test edilmiş yedek modele dön

Bugün Custom Vision'ı çağıran her uygulama için geçiş sırası.

  • Paralel çalıştır. Geçiş yapmadan önce eski ve yeni modele bir süre aynı görüntüleri gönderip sonuçları karşılaştır.
  • Her seferinde tek bir tüketiciyi geçir; en düşük riskli uygulamadan başla.
  • Geri alma tetikleyicilerini önceden belirle, örneğin üzerinde anlaşılmış sınırı aşan bir kaçırma oranı veya yanlış ret oranı; güven kazanana kadar da bir geri dönüş seçeneğini hazır tut: kullanımdan kaldırılmadan önce mevcut Custom Vision uç noktası ya da sonrasında, önceden test ettiğin dışa aktarılmış kompakt bir model gibi ayrı dağıtılmış bir geri dönüş seçeneği.
  • Her uygulamanın geçişinden sorumlu bir kişi belirle, böylece hiçbir uygulama kullanım dışı bırakılmış bir uç noktayı çağırmaya devam etmez.
  • Her uygulamanın bugün nasıl çalıştığına uygun bir yol seç. Ultralytics Platform'da bir model, tahminleri özel bir uç noktadan sunabilir veya kendi donanımında çalıştırılmak üzere dışa aktarılabilir; böylece hem bulut istemcilerinin hem de cihaz üzerindeki uygulamaların kullanabileceği bir yol olur.
  • Yeniden eğitimin kimin sorumluluğunda olacağına karar ver. Ürünler, aydınlatma ve kusur türleri değişir. Yeni verileri kimin inceleyeceği ve modelin ne sıklıkta yeniden eğitileceği konusunda anlaş; böylece üretim koşulları değiştikçe yeni sistem de uyum sağlayabilir.

Ultralytics Platform'a geçiş#

Etiketleme, eğitim ve dağıtımın tek yerde olduğu Custom Vision iş akışını ekibin beğendiyse, Ultralytics Platform, Ultralytics YOLO modelleri etrafında geliştirilmiş aynı uçtan uca iş akışını sunar. Geçişten sonra Custom Vision projesinin her bir bileşeninin nerede yer aldığını burada görebilirsin:

Custom Vision'daUltralytics Platform'da
Sınıflandırma ve nesne algılama projeleriSınıflandırma ve algılamanın yanı sıra segmentasyon, poz ve yönlendirilmiş sınırlayıcı kutular için veri kümeleri
Etiketlenmiş görüntüler ve bölgelerDönüştürülmüş dışa aktarımını YOLO, COCO veya Ultralytics NDJSON biçiminde yükle
Portalda etiketlemeSAM, önceden eğitilmiş YOLO modelleri veya kendi ince ayar yapılmış modelini kullanarak algılama için akıllı anotasyon sunan bir anotasyon düzenleyicisi. Sınıflandırma görüntüleri elle etiketlenir
Eğitim yinelemeleriMetriklerin gerçek zamanlı aktarıldığı ve kontrol noktalarının otomatik kaydedildiği, GPU'larda bulut eğitimi
Tahmin uç noktası42 bölgede özel uç noktalar
Cihazlar için kompakt etki alanı dışa aktarımlarıModel ve görev uyumluluğuna bağlı olarak ONNX, TensorRT ve CoreML gibi biçimlere model dışa aktarımı
Paylaşılan proje erişimiABD, AB veya Asya-Pasifik veri bölgesinde, Owner, Admin, Editor ve Viewer rolleri sunan ekip çalışma alanları (ekip gereksinimlerini incele)

Ultralytics Platform Yeni Veri Kümesi iletişim kutusu; yüklemelerin YOLO, COCO ve Ultralytics NDJSON veri kümelerini ZIP, TAR veya NDJSON dosyaları olarak desteklediğini gösteriyor

Ultralytics Platform'daki Yeni Veri Kümesi iletişim kutusu, YOLO, COCO ve Ultralytics NDJSON veri kümelerini kabul eder. Gösterilen yükleme sınırları, bu ekran görüntüsünün alındığı hesap için geçerlidir.

Planlaman gereken birkaç nokta:

  • İçe aktarmak yerine yeniden eğit. Custom Vision modelleri yüklenemez; bu nedenle dışa aktardığın verilerle bir YOLO modeli eğitirsin.
  • Çok etiketli sınıflandırma. Platform sınıflandırma veri kümelerinde görüntü başına tek etiket kullanılır; bu nedenle çok etiketli projeleri taşımadan önce bunları nasıl ele alacağına karar ver.
  • Gizlilik ve bölge. Yeni veri kümeleri, çalışma alanının varsayılan görünürlük ayarına bağlı olarak herkese açık veya özel başlar; bu nedenle tescilli veri kümelerini oluştururken Private olarak ayarla. Veri bölgen, kaydolurken seçilir ve sonradan kendin değiştiremezsin.
  • Sunum kapasitesi. Her özel uç nokta tek bir etkin örnek çalıştırır. Varsayılan boyut boştayken sıfıra ölçeklenirken özel boyutlar bir örneği hazır tutar; bu nedenle aktarım hızını ve soğuk başlatma sürelerini üretim gereksinimlerine göre kıyasla veya modeli kendi altyapında çalıştırmak üzere dışa aktar.
  • Kapsam. Bir görüntü işleme platformu, denetim sisteminin model tarafının yerini alır; çevresindeki kameraların, aydınlatmanın veya üretim hattı entegrasyonunun değil.

Tek bir projeyle başla: Temsili bir Custom Vision veri kümesi dışa aktarımını desteklenen bir biçime dönüştür, Ultralytics Platform'a yükle, bir model eğit ve 1. adımda üzerinde anlaştığın kabul kriterlerine göre karşılaştır. Daha büyük bir geçiş mi planlıyorsun? Proje sayın, görev türlerin, veri kümesi boyutların, gecikme hedeflerin ve dağıtım kısıtların hakkında ekibimizle konuş.

Sık sorulan sorular

  • 25 Eylül 2028'de. Microsoft, mevcut müşterileri o tarihe kadar destekliyor ve geçişlerini 25 Eylül 2026'ya kadar planlamalarını istedi.

  • ONNX, TensorFlow, TensorFlow.js veya CoreML biçiminde dışa aktarılan bir model dosyası, Custom Vision hizmetini çağırmadan kendi donanımında çalışır; bu nedenle çalışmaya devam edebilir. Dışa aktarılan Docker kapsayıcısını kullanıyorsan, ona güvenmeden önce hizmet kullanılamaz durumdayken test et. Modeli Custom Vision'da yeniden eğitemezsin ve dışa aktarma yalnızca kompakt etki alanı projelerinde kullanılabilir.

  • Evet. Training API'deki Get Tagged Images işlemi; görüntü meta verilerini, etiketleri ve nesne algılama bölgelerini istek başına en fazla 256 görüntü için, her özgün görüntüye ait bir originalImageUri ile birlikte döndürür (VNET özelliği etkinleştirilmiş projelerde, GetArtifact ile alabileceğin göreli yollar döndürülür). Görüntülerin kendilerini indir, ardından bölgeleri yeni platformunun kullandığı YOLO veya COCO gibi biçimlere dönüştür.

  • Microsoft'un geçiş kılavuzu, özel sınıflandırma ve algılama için AutoML özellikli Azure Machine Learning'i ve Azure Content Understanding aracılığıyla özel sınıflandırma da dahil olmak üzere Microsoft Foundry'deki üretken yapay zekâ seçeneklerini öneriyor.

  • Ultralytics Platform'a geçiş için, dönüştürdüğün veri kümesiyle desteklenen bir YOLO modeli eğitmeyi planla; çünkü Custom Vision model dışa aktarımları Platform'a model yükleme olarak desteklenmez. Etiketlerini koru, kalitelerini incele ve geçişten önce yeni modeli doğrula.

Yazan

Jing Qiu
Jing Qiu

Kıdemli Makine Öğrenimi Mühendisi · Ultralytics

Jing Qiu, Ultralytics'te son teknoloji bilgisayarlı görü modellerinin performansını, ölçeklenebilirliğini ve gerçek dünyadaki uygulanabilirliğini geliştirmeye odaklanan Kıdemli Makine Öğrenimi Mühendisidir. Model mimarisi, eğitim optimizasyonu ve dağıtım alanlarında çalışarak Ultralytics YOLO'nun dünya çapındaki geliştiricilere ve kuruluşlara sektör lideri doğruluk ve verimlilik sunmasına yardımcı oluyor.

Yorumlar

Soru sor, sonuçlarını paylaş veya başka birine yardım et.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla