Özel görüntü sınıflandırıcıları eğitmek için en iyi platformlar

Örnek amaçlı yapay zekâ tarafından oluşturulmuş inceleme sahnesi. Kutucuklarda, görsel netlik için seçilen Fabric Stain Dataset içindeki dört doğru sınıflandırılmış test fotoğrafı gösteriliyor. Eğittiğimiz Ultralytics YOLO26s-cls modeli, 7/11 temiz görüntü ve 58/60 lekeli görüntü dâhil olmak üzere 71 test görüntüsünün 65'ini doğru sınıflandırdı. Kutucuklar test fotoğraflarının kare kırpımlarıdır. Puanlar doğruluğu değil, model güvenini gösterir.

Özel bir görüntü sınıflandırıcı eğitmek için en iyi platform, modelin nerede çalışacağına ve ne kadar kontrole ihtiyaç duyduğuna bağlıdır. Amazon Rekognition Custom Labels, Gemini Enterprise Agent Platform'daki AutoML (eski adıyla Vertex AI AutoML), LandingLens ve Ultralytics Platform gibi kod gerektirmeyen bulut platformları, etiketlenmiş görüntüler yükleyip kod yazmadan eğitim yapmanı sağlar. Amazon SageMaker AI, Azure Machine Learning AutoML ve Hugging Face Transformers gibi geliştirici iş akışları, model ve eğitim işi üzerinde daha fazla kontrol sağlar. Edge Impulse gibi uç cihaz odaklı araçlar küçük cihazları hedefler; Teachable Machine ise tarayıcıda prototip oluşturmanın ücretsiz bir yoludur.

Seçim yaparken hizmetin durumunu göz önünde bulundur. Microsoft, Azure Custom Vision'ı 25 Eylül 2028'de kullanımdan kaldırıyor ve Hugging Face AutoTrain artık bakımı yapılmıyor. Google, Vertex AI AutoML'in adını artık Gemini Enterprise Agent Platform'daki AutoML olarak kullanıyor; bu kılavuzda bu hizmeti Google Cloud AutoML olarak kısaltıyoruz.

Bu kılavuz, kendi etiketli görüntülerinle sınıflandırıcı eğitmeye yönelik araçları karşılaştırıyor, nasıl seçim yapacağını açıklıyor ve karar vermeden önce sınıflandırıcıyı nasıl test edeceğini gösteriyor. Model mimarisini seçmek için görüntü sınıflandırma modellerinin karşılaştırmasına bak. Elindeki modeli sunmak için bilgisayarlı görü çıkarım platformlarının karşılaştırmasına bak. Bu karşılaştırmayı Ultralytics yayımlıyor ve listelenen platformlardan birini sunuyor.

Karşılaştırılacak noktalar#

Görüntü sınıflandırma, üretim hattındaki bir parçaya "defolu" veya "OK" gibi bir ya da daha fazla etiket atar. Sınıflandırıcı eğiten platformlar, özellik listelerinden daha önemli olan beş açıdan farklılık gösterir:

• Etiketler: tek etiketli (görüntü başına bir sınıf) veya çok etiketli (görüntü başına birkaç sınıf). Her platform ikisini birden desteklemez.
• Kontrol: AutoML model ve ayarları senin için seçer; geliştirici platformları mimariyi, görüntü boyutunu ve eğitim ayarlarını seçmene izin verir.
• Modelin çalışacağı yer: bazı platformlar modeli yalnızca kendi bulutlarından sunarken, bazıları modeli dışa aktarıp kendi donanımında çalıştırmana izin verir.
• Maliyet modeli: eğitim süresi, barındırma saatleri ve görüntü başına tahmin ücretleri farklı şekillerde birikir. Sürekli çalışması gereken bir model, eğitim maliyetinden daha pahalıya gelebilir.
• Veri konumu: görüntülerinin nerede depolandığı ve işlendiği; bu, düzenlemelere tabi veriler için önemlidir.

Görüntü sınıflandırıcı eğitimi platformlarının karşılaştırması#

Bunlar farklı türde araçlardır: yönetilen AutoML hizmetleri, geliştirici iş akışları ve tarayıcı prototipleri. Maliyeti karşılaştırmadan önce etiket desteğine ve modelin nerede çalışması gerektiğine göre seçenekleri daralt; ayrıca mevcut bir önceden eğitilmiş modelin işi görüp görmediğini kontrol et.

Platformlar alfabetik sırayla listelenmiştir. Satıcı belgeleri 9 Kasım 2026'da kontrol edildi; bu, uygulamalı bir kıyaslama değil, özellik karşılaştırmasıdır. Küçük ekranlarda her sütunu görmek için tabloyu yana kaydır.

Gereksinime göre örnek seçenek grupları. Bu gruplar birbiriyle örtüşür; seçim yapmadan önce etiket desteğini, dağıtım haklarını ve çalışma zamanı uyumluluğunu doğrula.

Ultralytics Platform, her görüntüye bir sınıf atanan tek etiketli sınıflandırıcıları eğitir. Çok etiketli sınıflandırmaya ihtiyacın varsa Azure Machine Learning AutoML veya Google Cloud AutoML'i değerlendir.

Nasıl seçim yapılır?#

En az esnek olduğun karardan başla.

Kod yazmak istemiyorsun ve yönetilen bir API istiyorsun#

Zaten kullandığın buluttaki AutoML hizmetini seç: AWS'de Amazon Rekognition Custom Labels veya Google Cloud'da Google Cloud AutoML. Her ikisi de modeli ve ayarları senin için yönetir. Rekognition Custom Labels'ın bir model başlatıldığında, görüntüleri analiz etmese bile her saat için ücret aldığını göz önünde bulundurarak modelin ne kadar süre çalışır durumda kalması gerektiğini kontrol et.

Modeli kendi donanımında çalıştırman gerekiyor#

Eğitilen modeli dışa aktaran bir platform seç. Edge Impulse, Google Cloud AutoML (Edge modelleri), Teachable Machine ve Ultralytics Platform model dışa aktarımı sunar; seçim yapmadan önce desteklenen çalışma zamanını, plan sınırlarını ve lisans koşullarını kontrol et. Fabrika bilgisayarları, kameralar ve GPU'lar için dışa aktarılan bir YOLO26 sınıflandırma modeli ONNX, TensorRT veya OpenVINO ile çalışır. Mikrodenetleyiciler için Edge Impulse bu cihaz sınıfına göre tasarlanmıştır.

Model üzerinde tam kontrol istiyorsun#

Mimari ve eğitim ayarları üzerinde kontrol için kendi eğitim kodunla SageMaker'ı kullan veya PyTorch, TensorFlow, Keras, Hugging Face Transformers ya da Ultralytics YOLO paketiyle bir iş akışı oluştur. Her kitaplığın hangi mimarileri desteklediğini kontrol et. Azure Machine Learning AutoML gibi AutoML araçları, destekledikleri modeller ve ayarlar dâhilinde kontrol sunar. Her iki durumda da daha fazla kurulum yapman gerekir.

Azure Custom Vision'dan geçiş yapıyorsun#

Microsoft, mevcut müşterilerini 25 Eylül 2028'e kadar tam olarak destekleyecek ve özel sınıflandırma için Azure Machine Learning AutoML'i öneriyor. Geçiş yapmak için görüntülerini ve etiket atamalarını dışa aktar, kullandığın birden çok etiketi koru ve yeniden eğitimden önce bunları yeni platformun içe aktarma biçimine dönüştür.

Öğreniyor veya prototip oluşturuyorsun#

Teachable Machine ücretsizdir ve tarayıcıda eğitim yapar; bu özelliği, tam bir veri kümesi toplamadan önce sınıflarının birbirinden ayırt edilip edilemeyeceğini test etmek için iyi bir seçenek hâline getirir.

Karar vermeden önce sınıflandırıcıyı nasıl kontrol edersin#

Bir platformun tanıtımındaki doğruluk oranı, kendi görüntülerin hakkında pek az şey söyler. Kısa testi, seçtiğin her platformda aynı şekilde uygula:

1. Eğitim, doğrulama ve test kümelerini ayrı tut. Test görüntülerini modelin üretimde karşılaşacağı kameralar ve koşullardan al; birbirine çok benzeyen görüntüleri ve aynı çekim dizisindeki görüntüleri aynı kümede tut.
2. Bir temel model eğit: her platformda aynı eğitim görüntülerini varsayılan ayarlarla kullan ve işlem kaynağı, eğitim bütçesi veya görüntü boyutu sınırlarını not et.
3. Doğrulama kümesini kullanarak seçim yap. Sınıf başına kesinliği, duyarlılığı ve karmaşıklık matrisini; kullanacağın donanımdaki hızı da karşılaştır ve eşik değerlerini burada belirle.
4. Son seçimini el değmemiş test kümesinde bir kez test et: tek etiketli sınıflandırıcılar için top-1 doğruluğunu, çok etiketli sınıflandırıcılarda ise her etiket için kesinliği, duyarlılığı ve F1 değerini ölç.
5. Toplam maliyeti kontrol et: beklenen kullanım hacminde eğitim ile barındırma veya tahmin ücretlerini birlikte hesapla.
6. Çıkış seçeneğini kontrol et: eğitilen modeli indirebiliyor musun, hangi biçimde ve hangi lisansla?

Her platformda aynı görüntüleri, etiketleri ve veri bölümlerini kullan; bunları her platformun içe aktarma biçimine dönüştür. İsteğe bağlı bir örnek olarak, Ultralytics YOLO ile son testi şöyle yapabilirsin:

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}")

Klasör düzeni için sınıflandırma veri kümesi biçimine, sınıflandırma örnekleri için Classify belgelerine ve tüm eğitim seçenekleri için eğitim ayarlarına bak. Ayrı train, val ve test klasörleri kullan: test klasörü yoksa son kontrol doğrulama görüntülerini kullanır.

Ultralytics nerede yer alıyor?#

Ultralytics, tek etiketli sınıflandırıcıların eğitimini ve dışa aktarımını destekler. Seçmeden önce sonuçlarını kendi verilerinde karşılaştır.

• Bulutta veya yerel olarak eğit. Ultralytics Platform, tarayıcından bulut GPU'larında YOLO26 sınıflandırıcıları eğitir; açık kaynaklı ultralytics Python paketi ise aynı modelleri kendi makinen üzerinde eğitir.
• Veriyi hazırla ve tek bir iş akışında eğit. Platform veri kümesi talimatlarıyla sınıf klasörleri içeren veri kümelerini içe aktar, etiketleri ve veri bölümlerini gözden geçir, ardından Ultralytics Platform'da eğitim yap.
• Modeli ihtiyacın olan yerde çalıştır. ONNX, TensorRT, CoreML, LiteRT ve diğer biçimlere dışa aktar veya Platform uç noktasına dağıt.
• Sınırları bil. Sınıflandırıcılar tek etiketlidir. Platform uç noktaları CPU'da çalışır; bu nedenle yüksek hacimli GPU sunumunu kendi donanımında veya başka bir bulutta yapman daha uygundur. Ultralytics, AGPL-3.0 ve Enterprise lisansları sunar: AGPL-3.0 yükümlülüklerini karşılayamayan özel dağıtımlar için Enterprise License gerekir.