Azure Custom Vision sắp ngừng hoạt động: danh sách kiểm tra di chuyển các model thị giác máy tính của bạn
Azure Custom Vision sẽ ngừng hoạt động vào ngày 25 tháng 9 năm 2028. Hãy lên kế hoạch di chuyển, xuất dữ liệu đã gắn nhãn và huấn luyện lại trên Ultralytics Platform.
Jing Qiu19 phút đọc
Azure Custom Vision sẽ ngừng hoạt động vào ngày 25 tháng 9 năm 2028. Các nhóm sử dụng dịch vụ này để huấn luyện trên đám mây hoặc dự đoán cần có giải pháp thay thế trước thời điểm đó; các nhóm chạy model đã xuất cũng sẽ cần một nơi để huấn luyện lại khi sản phẩm và camera thay đổi. Đây là thời điểm thích hợp để chuyển sang một nền tảng mà bạn có thể tiếp tục gắn nhãn, huấn luyện và triển khai trong nhiều năm.
Danh sách kiểm tra này trình bày năm bước giúp quá trình di chuyển diễn ra suôn sẻ: kiểm kê những gì bạn đang chạy, xuất dữ liệu đã gắn nhãn, chọn nơi chuyển đến, kiểm chứng model mới trên ảnh của chính bạn, rồi chuyển đổi có phương án dự phòng. Trong quá trình này, bài viết chỉ ra cách chuyển từng phần của dự án Custom Vision sang Ultralytics Platform, nơi bạn gắn nhãn, huấn luyện và triển khai model Ultralytics YOLO tại cùng một nơi, để nhóm của bạn có một nền tảng sử dụng lâu dài thay vì một giải pháp tạm thời.
Điều gì sẽ thay đổi và khi nào#
Theo hướng dẫn di chuyển Custom Vision của Microsoft:
- Ngày 25 tháng 9 năm 2028: Custom Vision ngừng hoạt động và dịch vụ không còn khả dụng. Microsoft cung cấp đầy đủ hỗ trợ cho khách hàng hiện tại cho đến thời điểm đó.
- Ngày 25 tháng 9 năm 2026: hạn chót Microsoft yêu cầu khách hàng lập kế hoạch chuyển đổi.

Các mốc ngừng hoạt động của Azure Custom Vision và Image Analysis API theo hướng dẫn di chuyển của Microsoft.
Điều đó có ý nghĩa gì trên thực tế:
- Dịch vụ huấn luyện và dự đoán trên đám mây sẽ ngừng hoạt động. Mọi ứng dụng gọi đến prediction endpoint của Custom Vision đều cần có endpoint mới trước ngày ngừng hoạt động.
- Model đã xuất có thể giúp duy trì hoạt động. Custom Vision có thể xuất model sang ONNX, TensorFlow, TensorFlow.js, CoreML hoặc container Docker để chạy trên phần cứng của riêng bạn. Các tệp model như ONNX không gọi đến dịch vụ; Microsoft cho biết container Docker bao gồm mã dịch vụ cho Custom Vision API, vì vậy hãy kiểm thử container khi dịch vụ không khả dụng trước khi tin cậy vào nó. Chỉ dự án sử dụng compact domain mới có thể xuất model, và Microsoft lưu ý rằng model compact có thể kém chính xác hơn một chút so với model standard domain. Sau khi dịch vụ ngừng hoạt động, bạn cũng không thể huấn luyện lại model đã xuất trong Custom Vision, vì vậy hiệu suất có thể suy giảm khi sản phẩm, camera và lỗi của bạn thay đổi.
- Image Analysis API có cùng ngày ngừng hoạt động. Theo Microsoft, Image Analysis API ngừng hoạt động cùng ngày, 25 tháng 9 năm 2028, bao gồm cả container có kết nối và không có kết nối. Nếu bạn sử dụng cả hai dịch vụ, hãy lên kế hoạch cho một lần di chuyển, không phải hai.
- Bảo toàn ảnh và nhãn để di chuyển. Model được huấn luyện lại chỉ có thể tốt ngang với dataset dùng để huấn luyện, vì vậy hãy giữ lại dữ liệu đã gắn nhãn cùng với mọi model đã xuất được hỗ trợ.

Tình trạng khả dụng của dịch vụ và các tùy chọn xuất khi ngừng hoạt động, dựa trên tài liệu di chuyển và xuất của Microsoft.
Bước 1: Kiểm kê những gì bạn đang chạy#
Trước khi so sánh các lựa chọn, hãy ghi lại những gì bạn đang có. Với mỗi dự án Custom Vision, hãy ghi lại:
- Loại dự án: phân loại ảnh (đa lớp hoặc đa nhãn) hay phát hiện đối tượng.
- Domain: standard domain hoặc compact domain. Chỉ dự án compact domain mới có thể xuất model.
- Nơi sử dụng dự đoán: mọi ứng dụng, script, thiết bị hoặc quy trình gọi đến prediction endpoint, cùng với người phụ trách.
- Tiêu chí chấp nhận của model hiện tại: độ chính xác và độ bao phủ bạn đang dựa vào, cũng như loại lỗi gây tốn kém nhất. Bỏ sót lỗi và loại nhầm sản phẩm đạt chuẩn hiếm khi gây thiệt hại như nhau.
- Dataset: số lượng ảnh, thẻ và số ảnh đã gắn thẻ so với chưa gắn thẻ.
- Ràng buộc: độ trễ, nơi cần chạy inference (đám mây, nhà máy, thiết bị di động, ngoại tuyến), yêu cầu lưu trú dữ liệu và những người cần quyền truy cập.
| Dự án | Loại | Lĩnh vực | Được gọi bởi (người phụ trách) | Tiêu chí chấp nhận | Ảnh (đã gắn thẻ / chưa gắn thẻ) | Thẻ | Ràng buộc |
|---|---|---|---|---|---|---|---|
| Ví dụ: weld-defects | Phát hiện đối tượng | Tổng quát (compact) | Ứng dụng QA dây chuyền 3 (IT nhà máy) | Độ bao phủ ít nhất 95% đối với vết nứt; loại nhầm dưới 2% | 4,200 / 1,100 | 3 | Tại chỗ, dưới 200 ms |
Hàng đầu tiên là ví dụ về mức độ chi tiết cần ghi lại, không phải dữ liệu từ một dự án thực tế.
Danh sách này sẽ trở thành yêu cầu đối với giải pháp thay thế và kế hoạch kiểm thử khi chuyển đổi.
Bước 2: Xuất dữ liệu đã gắn nhãn càng sớm càng tốt#
Microsoft khuyến nghị trước tiên xuất dataset đã gắn nhãn và metadata của model, sau đó chuyển đổi chúng sang định dạng mà nền tảng mới yêu cầu. Hãy thực hiện khi dịch vụ vẫn được hỗ trợ đầy đủ để có thời gian xác thực dữ liệu xuất.
- Ảnh và nhãn: thao tác Get Tagged Images của Custom Vision Training API trả về metadata ảnh, thẻ và vùng phát hiện đối với tác vụ phát hiện đối tượng. Đặt
takethành 256, duyệt qua các trang bằngskipvà tải từng ảnh gốc thông quaoriginalImageUricủa ảnh đó. Chỉ metadata không phải là bản sao lưu ảnh. Các dự án bật tính năng VNET trả về đường dẫn tương đối mà bạn cần tải bằng GetArtifact. - Kiểm tra số lượng: trước khi dựa vào dữ liệu xuất, hãy xác nhận số ảnh và nhãn đã xuất khớp với số liệu từng dự án báo cáo, tính theo từng thẻ.
- Ghi lại các thiết lập liên quan đến dữ liệu: ID dự án và thẻ, ánh xạ thẻ sang lớp, domain, iteration đã phát hành, ngưỡng confidence và bước tiền xử lý mà ứng dụng của bạn sử dụng.
- Hiểu rõ chức năng của ExportProject: API ExportProject của Microsoft sao chép một dự án sang tài khoản Custom Vision khác bằng token tạm thời. Đây không phải bản sao lưu dataset có thể sử dụng độc lập.
- Bounding box: các vùng phát hiện được trả về dưới dạng
left,top,widthvàheighttheo tọa độ chuẩn hóa, tương ứng với kích thước ảnh. Việc chuyển đổi sang định dạng YOLO (tâm x, tâm y, chiều rộng, chiều cao đã chuẩn hóa) hoặc COCO cần chuyển đổi tọa độ, ánh xạ lớp và một lượt xác thực để phát hiện các box bị lệch vị trí.

Cùng một box trong cả hai định dạng. Cả hai đều sử dụng tọa độ chuẩn hóa theo kích thước ảnh.
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"- Ảnh chưa gắn thẻ: hãy xuất cả những ảnh này bằng thao tác Get Untagged Images. Chúng có thể cung cấp thêm các ví dụ huấn luyện hữu ích sau khi bạn có thể gắn nhãn.
Trước khi xuất, hãy kiểm tra hai con số trên trang giới hạn của Microsoft. Custom Vision yêu cầu ít nhất 5 ảnh đã gắn nhãn cho mỗi thẻ đối với phân loại và 15 ảnh đối với phát hiện đối tượng, đồng thời khuyến nghị ít nhất 50 ảnh cho cả hai tác vụ. Dịch vụ cũng chỉ lưu ảnh dự đoán trong 30 ngày, vì vậy hãy lưu ngay những ảnh bạn muốn dùng để huấn luyện lại.
- Model: đối với dự án compact domain, hãy xuất model hiện tại làm phương án dự phòng để chạy trong quá trình chuyển đổi. Dự án standard domain cần chuyển sang compact domain và huấn luyện lại trước khi có thể xuất, đồng thời model compact có thể kém chính xác hơn một chút.
Giữ nguyên dữ liệu xuất thô và chuyển đổi một bản sao để bạn luôn có thể quay lại dữ liệu gốc. Nếu chuyển sang Ultralytics Platform, YOLO là định dạng đích phù hợp vì Platform có thể nhập trực tiếp dataset YOLO, COCO và Ultralytics NDJSON.
Bước 3: Chọn loại giải pháp thay thế#
Các nhóm từng sử dụng Amazon Lookout for Vision, dịch vụ AWS đã ngừng vào ngày 31 tháng 10 năm 2025, cũng đã trải qua lựa chọn tương tự. Không có một đáp án đúng duy nhất. Giải pháp thay thế phù hợp nhất phụ thuộc vào tình huống của bạn và mức độ kiểm soát pipeline mà nhóm muốn nắm giữ.
| Lựa chọn | Phù hợp nhất cho | Những gì nhóm của bạn quản lý | Những điều cần kiểm tra |
|---|---|---|---|
| Azure Machine Learning với AutoML (lộ trình Microsoft đề xuất) | Các nhóm tiếp tục sử dụng Azure, cần giải pháp phân loại và phát hiện tùy chỉnh | Workspace, compute và triển khai Azure ML | Công sức cần thiết để xây dựng lại quy trình huấn luyện và triển khai trong Azure ML |
| Dịch vụ ML được quản lý của nhà cung cấp đám mây khác, chẳng hạn như Amazon SageMaker AI, Amazon Rekognition Custom Labels hoặc Gemini Enterprise Agent Platform trên Google Cloud | Các nhóm đang chuẩn hóa hoạt động trên nền tảng đám mây đó | Thiết lập huấn luyện, triển khai và giám sát của nhà cung cấp | Tùy chọn xuất, công sức di chuyển và khả năng chuyển model sang nơi khác sau này |
| Dịch vụ AI tạo sinh trong Microsoft Foundry (lộ trình Microsoft đề xuất) | Các nhóm sẵn sàng thiết kế lại giải pháp dựa trên prompt hoặc model tạo sinh | Thiết kế prompt, đánh giá và vận hành giải pháp | Độ chính xác trên các lỗi hoặc đối tượng cụ thể của bạn, độ trễ và tính nhất quán |
| Nền tảng thị giác chuyên dụng có thể huấn luyện, chẳng hạn như LandingLens của Landing AI hoặc Ultralytics Platform | Các nhóm muốn gắn nhãn, huấn luyện và triển khai tại một nơi, với hạ tầng huấn luyện và triển khai được quản lý | Dataset, gắn nhãn, đánh giá và tích hợp với ứng dụng | Các tác vụ được hỗ trợ, định dạng nhập, mục tiêu triển khai, khả năng chuyển đổi model đã huấn luyện và quyền kiểm soát truy cập của nhóm |
| Xây dựng trên các framework mã nguồn mở | Các nhóm có kỹ sư ML muốn toàn quyền kiểm soát | Mã huấn luyện, hạ tầng và giám sát | Bảo trì dài hạn và nhân sự |
| Hệ thống kiểm tra trọn gói | Các dây chuyền sản xuất muốn mua phần cứng, phần mềm và tích hợp từ một nhà cung cấp | Phối hợp với nhà cung cấp, kiểm thử nghiệm thu và hỗ trợ liên tục | Khả năng linh hoạt khi sản phẩm và loại lỗi thay đổi |
Đánh giá từng lựa chọn dựa trên danh mục kiểm kê ở bước 1, bao gồm công sức di chuyển, chi phí compute và hỗ trợ liên tục, yêu cầu mua sắm, cũng như việc dịch vụ còn ở giai đoạn preview hay không. Nếu nhóm của bạn coi trọng việc gắn nhãn, huấn luyện và triển khai tại cùng một nơi, nền tảng thị giác chuyên dụng có thể huấn luyện cung cấp quy trình gắn nhãn, huấn luyện và triển khai tích hợp tương tự; phần "Chuyển sang Ultralytics Platform" bên dưới ánh xạ từng phần trong dự án của bạn. Nếu inference cần chạy trên thiết bị hoặc khi ngoại tuyến, trước tiên hãy kiểm tra định dạng xuất. Nếu nhiều người cùng gắn nhãn và rà soát dữ liệu, hãy kiểm tra vai trò và quyền của nhóm.
Bước 4: Xác thực trên ảnh của chính bạn#
Bổ sung các ví dụ của nhà cung cấp bằng đánh giá trên dữ liệu của chính bạn:
- Chia dữ liệu thành ba phần: tập huấn luyện, tập validation và tập kiểm thử chưa từng được model mới sử dụng, bao gồm cả các trường hợp khó nhất và hiếm gặp nhất. Khi phù hợp, hãy chia theo lô sản xuất, camera hoặc khoảng thời gian, đồng thời loại bỏ ảnh gần trùng lặp giữa các tập để tập kiểm thử phản ánh các điều kiện mới.
- Huấn luyện lại trên dataset đã xuất bằng các thẻ hoặc lớp tương tự.
- So sánh với tiêu chí chấp nhận ở bước 1, thay vì chỉ dựa vào một chỉ số độ chính xác duy nhất. Đánh giá riêng các trường hợp bỏ sót và báo động giả.
- Kiểm thử tại nơi model sẽ thực sự chạy: sử dụng cùng camera, thiết bị hoặc đường truyền mạng như môi trường production.
- Điều chỉnh phần tích hợp: kiểm tra xác thực, định dạng request và response, tiền xử lý, ngưỡng confidence và xử lý lỗi cho giải pháp thay thế, sau đó cập nhật và kiểm thử từng ứng dụng thay vì cho rằng chỉ cần đổi URL endpoint là đủ.
- Kiểm thử dưới tải production: kiểm tra tính đồng thời, khởi động lạnh, thử lại và cách hệ thống xử lý khi xảy ra sự cố.
Trên Ultralytics Platform, bạn có thể huấn luyện trên dataset đã chuyển đổi bằng tính năng huấn luyện đám mây và theo dõi các chỉ số theo thời gian thực, sau đó kiểm thử model trong điều kiện production.
Nếu model mới chưa đạt yêu cầu, hãy tìm hiểu nhãn, tiền xử lý, mức độ phù hợp của model và hành vi triển khai trước khi chọn cách khắc phục. Di chuyển là thời điểm thích hợp để sửa các nhãn không nhất quán và bổ sung ví dụ cho những trường hợp model cũ gặp khó khăn.
Bước 5: Lên kế hoạch chuyển đổi#

Trình tự chuyển đổi cho từng ứng dụng hiện đang gọi Custom Vision.
- Chạy song song. Trong một khoảng thời gian, gửi cùng một ảnh đến model cũ và mới, rồi so sánh kết quả trước khi chuyển đổi.
- Chuyển đổi từng ứng dụng một, bắt đầu với ứng dụng có rủi ro thấp nhất.
- Xác định trước các điều kiện kích hoạt rollback, chẳng hạn tỷ lệ bỏ sót hoặc tỷ lệ từ chối nhầm vượt quá giới hạn đã thống nhất, và duy trì phương án dự phòng cho đến khi bạn tự tin: endpoint Custom Vision hiện tại trước khi ngừng hoạt động, hoặc sau đó là một phương án dự phòng được triển khai riêng mà bạn đã kiểm thử, chẳng hạn model nhỏ gọn đã xuất.
- Chỉ định người phụ trách chuyển đổi cho từng ứng dụng để không ứng dụng nào tiếp tục gọi đến endpoint đã ngừng hoạt động.
- Đáp ứng cách vận hành hiện tại của từng ứng dụng. Trên Ultralytics Platform, model có thể cung cấp dự đoán thông qua endpoint chuyên dụng hoặc được xuất để chạy trên phần cứng của riêng bạn, vì vậy cả ứng dụng gọi từ cloud lẫn ứng dụng chạy trên thiết bị đều có phương án phù hợp.
- Quyết định ai chịu trách nhiệm huấn luyện lại. Sản phẩm, điều kiện chiếu sáng và loại lỗi đều thay đổi. Hãy thống nhất ai sẽ rà soát dữ liệu mới và tần suất huấn luyện lại model để hệ thống mới có thể thích ứng khi điều kiện sản xuất thay đổi.
Chuyển sang Ultralytics Platform#
Nếu nhóm của bạn đánh giá cao quy trình Custom Vision cho phép gắn nhãn, huấn luyện và triển khai tại cùng một nơi, Ultralytics Platform cung cấp quy trình đầu cuối tương tự, được xây dựng xoay quanh các model Ultralytics YOLO. Sau đây là nơi tương ứng của từng thành phần trong dự án Custom Vision sau khi chuyển đổi:
| Trong Custom Vision | Trong Ultralytics Platform |
|---|---|
| Dự án phân loại và phát hiện đối tượng | Dataset cho phân loại và phát hiện, cũng như phân đoạn, pose và bounding box định hướng |
| Ảnh và vùng được gắn thẻ | Tải lên dữ liệu đã chuyển đổi ở định dạng YOLO, COCO hoặc Ultralytics NDJSON |
| Gắn thẻ trên portal | Trình chỉnh sửa annotation có chức năng annotation thông minh cho phát hiện, sử dụng SAM, model YOLO pretrained hoặc model fine-tune của riêng bạn. Ảnh phân loại được gắn nhãn thủ công |
| Các vòng lặp huấn luyện | Huấn luyện trên cloud bằng GPU, với metric được truyền theo thời gian thực và checkpoint được lưu tự động |
| Endpoint dự đoán | Endpoint chuyên dụng tại 42 khu vực |
| Bản xuất cho thiết bị, tối ưu cho miền cụ thể | Xuất model sang các định dạng như ONNX, TensorRT và CoreML, tùy thuộc vào khả năng tương thích của model và tác vụ |
| Quyền truy cập dự án dùng chung | Không gian làm việc nhóm với các vai trò Owner, Admin, Editor và Viewer (kiểm tra yêu cầu dành cho nhóm), trong khu vực dữ liệu Hoa Kỳ, EU hoặc Châu Á - Thái Bình Dương |

Hộp thoại New Dataset trong Ultralytics Platform chấp nhận dataset YOLO, COCO và Ultralytics NDJSON. Giới hạn tải lên hiển thị áp dụng cho tài khoản được dùng trong ảnh chụp màn hình này.
Một số điều cần lên kế hoạch:
- Huấn luyện lại thay vì nhập model. Không thể tải model Custom Vision lên, vì vậy bạn cần huấn luyện model YOLO trên dữ liệu đã xuất.
- Phân loại nhiều nhãn. Dataset phân loại trên Platform sử dụng một nhãn cho mỗi ảnh, vì vậy hãy quyết định cách xử lý các dự án nhiều nhãn trước khi di chuyển chúng.
- Quyền riêng tư và khu vực. Dataset mới được đặt ở chế độ công khai hoặc riêng tư tùy theo chế độ hiển thị mặc định của không gian làm việc, vì vậy hãy đặt dataset độc quyền thành Private khi tạo. Khu vực dữ liệu được chọn khi đăng ký và sau đó bạn không thể tự thay đổi.
- Năng lực phục vụ. Mỗi endpoint chuyên dụng chạy một instance đang hoạt động. Kích thước mặc định giảm về 0 khi không hoạt động, trong khi kích thước tùy chỉnh duy trì một instance luôn sẵn sàng; do đó, hãy đánh giá thông lượng và thời gian khởi động nguội theo yêu cầu sản xuất, hoặc xuất model để chạy trên hạ tầng của riêng bạn.
- Phạm vi. Nền tảng thị giác thay thế phần model của hệ thống kiểm tra, chứ không thay thế camera, hệ thống chiếu sáng hay tích hợp dây chuyền xung quanh.
Bắt đầu với một dự án: chuyển đổi bản xuất dataset Custom Vision tiêu biểu sang định dạng được hỗ trợ, tải lên Ultralytics Platform, huấn luyện model và so sánh với tiêu chí nghiệm thu đã thống nhất ở bước 1. Đang lên kế hoạch cho một đợt di chuyển quy mô lớn hơn? Trao đổi với nhóm của chúng tôi về số lượng dự án, loại tác vụ, kích thước dataset, mục tiêu độ trễ và các ràng buộc triển khai.
Câu hỏi thường gặp
Vào ngày 25 tháng 9 năm 2028. Microsoft hỗ trợ khách hàng hiện tại đến thời điểm đó và đề nghị họ lên kế hoạch chuyển đổi trước ngày 25 tháng 9 năm 2026.
Tệp model được xuất sang ONNX, TensorFlow, TensorFlow.js hoặc CoreML có thể chạy trên phần cứng của riêng bạn mà không cần gọi dịch vụ Custom Vision, nên vẫn có thể tiếp tục hoạt động. Nếu sử dụng container Docker đã xuất, hãy kiểm thử khi dịch vụ không khả dụng trước khi dựa vào container đó. Bạn sẽ không thể huấn luyện lại model trong Custom Vision, và chỉ có thể xuất model từ các dự án compact-domain.
Có. Thao tác Get Tagged Images của Training API trả về metadata ảnh, thẻ và vùng phát hiện đối tượng, tối đa 256 ảnh mỗi yêu cầu, cùng một
originalImageUricho mỗi ảnh gốc (các dự án bật tính năng VNET trả về đường dẫn tương đối mà bạn tải bằng GetArtifact). Hãy tải chính các ảnh xuống, sau đó chuyển đổi các vùng sang định dạng mà nền tảng mới sử dụng, chẳng hạn YOLO hoặc COCO.Hướng dẫn di chuyển của Microsoft đề xuất Azure Machine Learning với AutoML cho các tác vụ phân loại và phát hiện tùy chỉnh, cũng như các lựa chọn AI tạo sinh trong Microsoft Foundry, bao gồm Azure Content Understanding cho tác vụ phân loại tùy chỉnh.
Khi chuyển sang Ultralytics Platform, hãy lên kế hoạch huấn luyện model YOLO được hỗ trợ trên dataset đã chuyển đổi, vì Platform không hỗ trợ tải lên model được xuất từ Custom Vision. Hãy giữ lại nhãn, rà soát chất lượng nhãn và xác thực model mới trước khi chuyển đổi.
Được viết bởi
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.










