Các nền tảng tốt nhất để huấn luyện bộ phân loại ảnh tùy chỉnh
So sánh các nền tảng huấn luyện bộ phân loại ảnh: AutoML không cần viết mã, nền tảng dành cho nhà phát triển và công cụ edge; cách chọn dựa trên mức độ kiểm soát, triển khai và chi phí.
Miles Deans15 phút đọc
Cảnh kiểm tra minh họa do AI tạo. Các ô hiển thị bốn ảnh kiểm thử được phân loại chính xác, chọn để dễ quan sát, từ Fabric Stain Dataset. Model Ultralytics YOLO26s-cls mà chúng tôi huấn luyện phân loại đúng 65/71 ảnh kiểm thử, gồm 7/11 ảnh sạch và 58/60 ảnh bị bẩn. Các ô là ảnh cắt vuông từ ảnh kiểm thử. Điểm số thể hiện độ tin cậy của model, không phải độ chính xác.
Nền tảng tốt nhất để huấn luyện bộ phân loại ảnh tùy chỉnh phụ thuộc vào nơi model sẽ chạy và mức độ kiểm soát bạn cần. Các nền tảng cloud không cần viết mã như Amazon Rekognition Custom Labels, AutoML on Gemini Enterprise Agent Platform (trước đây là Vertex AI AutoML), LandingLens và Ultralytics Platform cho phép bạn tải ảnh đã gắn nhãn lên và huấn luyện mà không cần viết mã. Quy trình làm việc dành cho nhà phát triển như Amazon SageMaker AI, Azure Machine Learning AutoML và Hugging Face Transformers cho bạn quyền kiểm soát nhiều hơn đối với model và tác vụ huấn luyện. Các công cụ tập trung vào edge như Edge Impulse hướng đến thiết bị nhỏ, còn Teachable Machine là công cụ miễn phí để tạo nguyên mẫu ngay trên trình duyệt.
Trạng thái dịch vụ là yếu tố quan trọng khi lựa chọn. Microsoft sẽ ngừng Azure Custom Vision vào ngày 25 tháng 9 năm 2028, còn Hugging Face AutoTrain không còn được duy trì. Google hiện gọi Vertex AI AutoML là AutoML on Gemini Enterprise Agent Platform; hướng dẫn này gọi tắt dịch vụ đó là Google Cloud AutoML.
Hướng dẫn này so sánh các công cụ để huấn luyện bộ phân loại bằng ảnh có gắn nhãn của riêng bạn, giải thích cách lựa chọn và trình bày cách kiểm thử bộ phân loại trước khi cam kết sử dụng. Để chọn kiến trúc model, xem so sánh các model phân loại ảnh. Để phục vụ model bạn đã có, xem so sánh các nền tảng suy luận thị giác máy tính. Ultralytics biên soạn nội dung so sánh này và cung cấp một trong các nền tảng được đề cập.
Các tiêu chí so sánh#
Phân loại ảnh gán một hoặc nhiều nhãn cho toàn bộ ảnh, chẳng hạn như "defective" hoặc "OK" cho một linh kiện trên dây chuyền sản xuất. Các nền tảng huấn luyện bộ phân loại khác nhau ở năm khía cạnh quan trọng hơn danh sách tính năng:
- Nhãn: một nhãn (mỗi ảnh một lớp) hoặc nhiều nhãn (mỗi ảnh nhiều lớp). Không phải nền tảng nào cũng hỗ trợ cả hai.
- Mức độ kiểm soát: AutoML tự chọn model và các thiết lập; nền tảng dành cho nhà phát triển cho phép bạn chọn kiến trúc, kích thước ảnh và thiết lập huấn luyện.
- Nơi model chạy: một số nền tảng chỉ phục vụ model từ cloud của họ, trong khi nền tảng khác cho phép bạn xuất model để chạy trên phần cứng của riêng mình.
- Mô hình chi phí: thời gian huấn luyện, thời gian lưu trữ và phí dự đoán theo ảnh được tính khác nhau. Model phải chạy liên tục có thể tốn kém hơn cả việc huấn luyện model.
- Vị trí dữ liệu: nơi lưu trữ và xử lý ảnh của bạn, yếu tố quan trọng đối với dữ liệu chịu quy định.
So sánh các nền tảng huấn luyện bộ phân loại ảnh#
Đây là các loại công cụ khác nhau: dịch vụ AutoML được quản lý, quy trình làm việc dành cho nhà phát triển và công cụ tạo nguyên mẫu trên trình duyệt. Hãy chọn sơ bộ dựa trên khả năng hỗ trợ nhãn và nơi model cần chạy trước khi so sánh chi phí; trước tiên, hãy kiểm tra xem model được huấn luyện trước hiện có đã đáp ứng nhu cầu chưa.
Các nền tảng được liệt kê theo thứ tự bảng chữ cái. Tài liệu của nhà cung cấp được kiểm tra vào ngày 9 tháng 11 năm 2026; đây là phần so sánh năng lực, không phải benchmark thực hành. Trên màn hình nhỏ, cuộn ngang bảng để xem tất cả các cột.
| Nền tảng | Phương thức | Nơi model đã huấn luyện chạy | Mô hình chi phí | Phù hợp nhất với |
|---|---|---|---|---|
| Amazon Rekognition Custom Labels | AutoML không cần viết mã trong AWS console | Chỉ AWS, thông qua Custom Labels API | Giờ huấn luyện cộng với giờ suy luận trong thời gian model chạy | Các nhóm đang dùng AWS và muốn có API được quản lý |
| Amazon SageMaker AI | Nền tảng dành cho nhà phát triển: thuật toán phân loại ảnh tích hợp sẵn hoặc mã huấn luyện của riêng bạn | SageMaker endpoints hoặc bất kỳ nơi nào bạn triển khai model đã xuất | Trả phí cho các instance huấn luyện và lưu trữ | Các nhóm ML muốn toàn quyền kiểm soát trong AWS |
| Azure Custom Vision | Cổng thông tin không cần viết mã | Azure API; bạn cũng có thể xuất các model cho miền hẹp | Giờ tính toán huấn luyện, giao dịch dự đoán và dung lượng lưu trữ ảnh | Khách hàng hiện tại đang lên kế hoạch chuyển đổi; dịch vụ sẽ ngừng vào ngày 25 tháng 9 năm 2028 |
| Azure Machine Learning AutoML | Huấn luyện ảnh bằng AutoML thông qua Python SDK hoặc CLI; xem kết quả trong studio | Azure endpoints hoặc model đã xuất | Trả phí cho tài nguyên tính toán | Lộ trình Microsoft khuyến nghị để thay thế Custom Vision |
| Edge Impulse | Transfer learning trong web studio (một công ty thuộc Qualcomm) | Vi điều khiển, Linux nhúng và các thiết bị edge khác | Gói Developer miễn phí để khám phá và tạo nguyên mẫu; kiểm tra quyền sử dụng trong môi trường production; giá gói Enterprise theo báo giá | Bộ phân loại dành cho thiết bị nhỏ, tiêu thụ điện năng thấp |
| Google Cloud AutoML (AutoML on Gemini Enterprise Agent Platform, trước đây là Vertex AI AutoML) | AutoML không cần viết mã trên Google Cloud | Google Cloud endpoints hoặc model AutoML Edge dành cho thiết bị | Trả phí theo giờ chạy node huấn luyện và lưu trữ | Các nhóm đã sử dụng Google Cloud |
| Hugging Face Transformers | Tinh chỉnh bộ phân loại ảnh được huấn luyện trước như ViT bằng mã, với model được chia sẻ trên Hugging Face Hub | Cơ sở hạ tầng của bạn hoặc dịch vụ lưu trữ do bạn cấu hình | Tài nguyên tính toán của bạn hoặc tài nguyên huấn luyện và lưu trữ có tính phí; kiểm tra giấy phép của từng model | Nhà phát triển muốn tự chọn checkpoint và kiểm soát quá trình huấn luyện. AutoTrain, tùy chọn không cần viết mã trước đây, không còn được duy trì |
| LandingLens | Nền tảng không cần viết mã với các dự án phân loại, phát hiện và phân đoạn | Cloud hoặc edge, từ ứng dụng Windows đến API | Gói miễn phí có giới hạn sử dụng, bao gồm tải xuống một model cho mục đích phi thương mại; các gói trả phí có thêm tính năng | Các nhóm kiểm tra sản phẩm trong ngành sản xuất |
| Teachable Machine | Công cụ miễn phí trên trình duyệt từ Google Creative Lab | Model TensorFlow, TensorFlow.js hoặc LiteRT (.tflite) đã xuất | Miễn phí | Học tập và tạo nguyên mẫu nhanh |
| Ultralytics Platform | Tải lên, gắn nhãn và huấn luyện model phân loại YOLO26 trên GPU cloud | Platform endpoints hoặc xuất sang các định dạng như ONNX, TensorRT, CoreML và LiteRT | Thanh toán giờ sử dụng GPU cloud bằng credits (từ $0.24 mỗi giờ); có credit khi đăng ký | Các nhóm muốn có bộ phân loại có thể xuất để chạy trên phần cứng của riêng mình |
Các nhóm lựa chọn sơ bộ theo nhu cầu. Các nhóm này có thể chồng lấp; hãy xác nhận khả năng hỗ trợ nhãn, quyền triển khai và khả năng tương thích với runtime trước khi chọn.
Ultralytics Platform huấn luyện bộ phân loại một nhãn, trong đó mỗi ảnh nhận một lớp. Nếu cần phân loại nhiều nhãn, hãy cân nhắc Azure Machine Learning AutoML hoặc Google Cloud AutoML.
Cách lựa chọn#
Hãy bắt đầu từ quyết định mà bạn ít có khả năng linh hoạt nhất.
Bạn muốn dùng API được quản lý mà không cần viết mã#
Chọn dịch vụ AutoML trên cloud bạn đang sử dụng: Amazon Rekognition Custom Labels trên AWS hoặc Google Cloud AutoML trên Google Cloud. Cả hai đều tự xử lý model và các thiết lập. Hãy kiểm tra model cần chạy trong bao lâu, vì Rekognition Custom Labels tính phí cho mỗi giờ model được khởi chạy, kể cả khi model không phân tích ảnh.
Bạn cần chạy model trên phần cứng của riêng mình#
Chọn nền tảng có thể xuất model đã huấn luyện. Edge Impulse, Google Cloud AutoML (model Edge), Teachable Machine và Ultralytics Platform hỗ trợ xuất model; hãy kiểm tra runtime được hỗ trợ, giới hạn của gói và điều khoản giấy phép trước khi chọn. Đối với PC, camera và GPU dùng trong nhà máy, model phân loại YOLO26 đã xuất có thể chạy với ONNX, TensorRT hoặc OpenVINO. Edge Impulse được thiết kế cho các thiết bị vi điều khiển.
Bạn muốn toàn quyền kiểm soát model#
Để kiểm soát kiến trúc và thiết lập huấn luyện, hãy dùng SageMaker với mã huấn luyện của riêng bạn hoặc xây dựng quy trình làm việc bằng PyTorch, TensorFlow, Keras, Hugging Face Transformers hay gói Ultralytics YOLO. Hãy kiểm tra các kiến trúc được từng thư viện hỗ trợ. Công cụ AutoML như Azure Machine Learning AutoML cho phép kiểm soát trong phạm vi các model và thiết lập mà công cụ hỗ trợ. Dù chọn cách nào, bạn cũng cần chuẩn bị nhiều hơn.
Bạn đang chuyển đổi khỏi Azure Custom Vision#
Microsoft sẽ tiếp tục hỗ trợ đầy đủ khách hàng hiện tại đến ngày 25 tháng 9 năm 2028 và khuyến nghị Azure Machine Learning AutoML cho tác vụ phân loại tùy chỉnh. Để chuyển đổi, hãy xuất ảnh và các nhãn đã gán, giữ lại nhiều nhãn ở những nơi bạn đã sử dụng chúng, rồi chuyển đổi dữ liệu sang định dạng nhập của nền tảng mới trước khi huấn luyện lại.
Bạn đang học hoặc tạo nguyên mẫu#
Teachable Machine miễn phí và huấn luyện ngay trên trình duyệt, nên đây là cách phù hợp để kiểm tra xem các lớp của bạn có thể được phân biệt hay không trước khi thu thập đầy đủ dataset.
Cách kiểm tra bộ phân loại trước khi cam kết sử dụng#
Độ chính xác trong bản demo của nền tảng cho bạn biết rất ít về ảnh của chính mình. Hãy chạy cùng một bài kiểm tra ngắn trên từng nền tảng trong danh sách lựa chọn:
- Tách riêng tập huấn luyện, xác thực và kiểm thử. Lấy ảnh kiểm thử từ camera và trong các điều kiện mà model sẽ gặp trong môi trường production; giữ các ảnh gần như trùng lặp và ảnh từ cùng một chuỗi chụp trong cùng một tập.
- Huấn luyện model cơ sở trên cùng các ảnh huấn luyện bằng thiết lập mặc định của từng nền tảng, đồng thời ghi lại mọi giới hạn về tài nguyên tính toán, ngân sách huấn luyện hoặc kích thước ảnh.
- Chọn model bằng tập xác thực. So sánh precision, recall theo từng lớp và confusion matrix, đồng thời kiểm tra tốc độ trên phần cứng bạn sẽ sử dụng; thiết lập mọi ngưỡng tại đây.
- Chỉ kiểm thử lựa chọn cuối cùng một lần trên tập kiểm thử chưa đụng đến: top-1 accuracy đối với bộ phân loại một nhãn, hoặc precision, recall và F1 cho từng nhãn đối với bộ phân loại nhiều nhãn.
- Kiểm tra toàn bộ chi phí: huấn luyện cộng với phí lưu trữ hoặc dự đoán ở quy mô dự kiến.
- Kiểm tra khả năng chuyển đổi: bạn có thể tải model đã huấn luyện xuống không, ở định dạng nào và theo giấy phép nào?
Dùng lại cùng ảnh, nhãn và các tập dữ liệu trên mọi nền tảng, đồng thời chuyển đổi chúng sang định dạng nhập của từng nền tảng. Đây là ví dụ tùy chọn về bài kiểm thử cuối cùng bằng 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}")Xem định dạng dataset phân loại để biết cấu trúc thư mục, tài liệu Classify để xem ví dụ phân loại và các thiết lập huấn luyện để biết mọi tùy chọn huấn luyện. Giữ riêng các thư mục train, val và test: nếu thiếu thư mục test, bước kiểm tra cuối cùng sẽ dùng ảnh xác thực thay thế.
Ultralytics phù hợp ở đâu#
Ultralytics hỗ trợ huấn luyện và xuất bộ phân loại một nhãn. Hãy so sánh kết quả trên dữ liệu của chính bạn trước khi lựa chọn.
- Huấn luyện trên cloud hoặc máy cục bộ. Ultralytics Platform huấn luyện bộ phân loại YOLO26 trên GPU cloud thông qua trình duyệt, còn gói Python mã nguồn mở
ultralyticshuấn luyện các model tương tự trên máy của bạn. - Chuẩn bị dữ liệu và huấn luyện trong một quy trình. Nhập dataset có cấu trúc thư mục theo lớp bằng hướng dẫn dataset của Platform, xem lại nhãn và các tập dữ liệu, sau đó huấn luyện trên Ultralytics Platform.
- Chạy model tại nơi bạn cần. Xuất sang ONNX, TensorRT, CoreML, LiteRT và các định dạng khác, hoặc triển khai lên Platform endpoint.
- Nắm rõ các giới hạn. Bộ phân loại chỉ hỗ trợ một nhãn. Platform endpoints chạy trên CPU, vì vậy nên xử lý tác vụ phục vụ khối lượng lớn bằng GPU trên phần cứng của riêng bạn hoặc trên một cloud khác. Ultralytics cung cấp giấy phép AGPL-3.0 và Enterprise: các hoạt động triển khai độc quyền không thể đáp ứng nghĩa vụ của AGPL-3.0 cần có Enterprise License.
Câu hỏi thường gặp
Teachable Machine miễn phí và chạy trên trình duyệt, phù hợp để tạo prototype. Gói Ultralytics YOLO chạy trên phần cứng của bạn mà không mất phí phần mềm theo AGPL-3.0; các triển khai độc quyền không thể đáp ứng các nghĩa vụ của AGPL-3.0 cần có Giấy phép Enterprise. Ultralytics Platform cung cấp khoản tín dụng khi đăng ký.
Không có con số chung cho mọi trường hợp. Hãy bắt đầu với các ví dụ đa dạng từ camera và điều kiện triển khai thực tế, dùng lỗi trên tập validation để xác định lớp nào cần thêm ví dụ, đồng thời giữ riêng một tập test để kiểm tra cuối cùng. Fine-tune một model pretrained phù hợp có thể giảm lượng dữ liệu được gán nhãn cần thiết so với huấn luyện từ đầu.
Có, trên một số nền tảng. Edge Impulse, Google Cloud AutoML (model Edge), Teachable Machine và Ultralytics Platform hỗ trợ xuất model; hãy kiểm tra runtime được hỗ trợ, giới hạn gói và điều khoản giấy phép. Model Amazon Rekognition Custom Labels chỉ chạy thông qua AWS API.
Microsoft khuyến nghị Azure Machine Learning AutoML cho các model phân loại tùy chỉnh và hỗ trợ khách hàng Custom Vision hiện tại đến ngày 25 tháng 9 năm 2028. Để chuyển sang nền tảng khác, hãy xuất hình ảnh và các nhãn đã gán, rồi chuyển đổi chúng sang định dạng nhập của nền tảng đó.
Có. Google hiện gọi dịch vụ này là AutoML trên Gemini Enterprise Agent Platform, và tính năng phân loại hình ảnh AutoML vẫn tiếp tục sử dụng cùng quy trình huấn luyện.
Dùng phân loại khi chỉ cần một nhãn cho toàn bộ hình ảnh, chẳng hạn như "ĐẠT" hoặc "LỖI". Dùng phát hiện đối tượng khi bạn cần biết vị trí hoặc số lượng đối tượng.
Được viết bởi
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
