获取 YOLO 许可
指南

Azure Custom Vision 即将退役:视觉模型迁移检查清单

Azure Custom Vision 将于 2028 年 9 月 25 日退役。请规划迁移,导出已标注数据,并在 Ultralytics Platform 上重新训练。

Jing QiuJing Qiu11 分钟阅读
Azure Custom Vision 迁移检查清单的 Ultralytics 封面图:Ultralytics Platform 的“新建数据集”对话框,以及一个面板,展示 Custom Vision 检测项目、标签、训练迭代和预测终结点如何对应到 Platform 数据集、标注编辑器、云端训练和专用终结点

Azure Custom Vision 将于 2028 年 9 月 25 日退役。使用其云端训练或预测功能的团队需要在此之前找到替代方案;运行导出模型的团队也需要找到重新训练模型的平台,以适应产品和摄像头的变化。现在正是迁移到一个能让你多年持续标注、训练和部署的平台的好时机。

本检查清单将介绍五个有助于顺利迁移的步骤:盘点当前运行的内容、导出已标注数据、选择迁移目标、使用自己的图像验证新模型,然后在保留回退方案的情况下切换。过程中还会说明 Custom Vision 项目的各个部分如何迁移到 Ultralytics Platform,让你在同一处标注、训练和部署 Ultralytics YOLO 模型,从而为团队提供长期使用的平台,而非权宜之计。

有哪些变化,何时生效#

根据 Microsoft 的 Custom Vision 迁移指南:

  • 2028 年 9 月 25 日: Custom Vision 退役,服务将无法使用。在此之前,Microsoft 会为现有客户提供全面支持。
  • 2026 年 9 月 25 日: Microsoft 要求客户在此日期之前制定迁移计划。

Microsoft 的时间线:Microsoft 要求客户制定迁移计划的日期 2026 年 9 月 25 日已经过去;2028 年 9 月 25 日,Custom Vision 退役,Image Analysis API 也于同日退役

根据 Microsoft 的迁移指南,Azure Custom Vision 和 Image Analysis API 的退役日期。

实际影响:

  • 云端训练和预测将停止。 任何调用 Custom Vision 预测终结点的应用都需要在退役日期之前更换终结点。
  • 导出的模型有助于维持业务连续性。 Custom Vision 可以将模型导出为 ONNX、TensorFlow、TensorFlow.js、CoreML 或 Docker 容器,以便在自己的硬件上运行。ONNX 等模型文件不会调用该服务;Microsoft 说明 Docker 容器包含 Custom Vision API 的服务代码,因此在依赖该容器之前,请在服务不可用时进行测试。只有使用紧凑型域的项目才能导出;Microsoft 指出,紧凑型模型的准确度可能略低于标准域模型。退役后,你也无法再在 Custom Vision 中重新训练导出的模型,因此随着产品、摄像头和缺陷发生变化,模型性能可能会下降。
  • Image Analysis API 的退役日期相同。 根据 Microsoft 的说明,Image Analysis API 将于同一天,即 2028 年 9 月 25 日退役,包括已连接和未连接的容器。如果你同时使用这两项服务,请规划一次迁移,而不是两次。
  • 为迁移保留图像和标签。 重新训练后的模型质量取决于其训练数据集,因此除了支持的模型导出文件外,也要保留已标注数据。

退役时的服务可用性和导出选项:Custom Vision 训练和预测调用以及 Image Analysis API 均已退役;导出的 ONNX、TensorFlow、TensorFlow.js 或 CoreML 文件可继续在本地运行,但无法在 Custom Vision 中重新训练;应在服务不可用时测试导出的 Docker 容器;退役前下载并验证图像和标签的独立副本

根据 Microsoft 的迁移和导出文档整理的退役时服务可用性和导出选项。

步骤 1:盘点当前运行的内容#

在比较任何方案之前,先记录现有情况。对于每个 Custom Vision 项目,请记录:

  • 项目类型: 图像分类(多类别或多标签)或目标检测。
  • 域: 标准域或紧凑型域。只有紧凑型域项目可以导出模型。
  • 预测的使用位置: 每个调用预测终结点的应用、脚本、设备或工作流,以及其负责人。
  • 当前模型的验收标准: 当前依赖的精确率和召回率,以及代价最高的错误类型。漏检缺陷和误拒绝的成本通常并不相同。
  • 数据集: 图像数量、标签,以及已标注和未标注图像的数量。
  • 约束条件: 延迟、推理必须运行的位置(云端、工厂现场、移动设备、离线)、数据驻留要求,以及需要访问权限的人员。
项目类型领域调用方(负责人)验收标准图像(已标注 / 未标注)标签约束条件
示例:weld-defects目标检测通用(紧凑型)产线 3 QA 应用(工厂 IT)裂纹召回率至少 95%;误拒绝率低于 2%4,200 / 1,1003现场运行,低于 200 毫秒

第一行仅展示记录所需的详细程度,并非来自真实项目的数据。

这份清单将成为替代方案的需求依据和切换测试计划。

步骤 2:尽早导出已标注数据#

Microsoft 建议先导出已标注数据集和模型元数据,再将其转换为新平台所需的格式。请在服务仍全面受支持时完成此操作,并留出时间验证导出结果。

  • 图像和标签: Custom Vision Training API 的获取已标注图像操作会返回图像元数据、标签,以及目标检测项目的区域信息。将 take 设置为 256,通过 skip 分页,并通过其 originalImageUri 下载每张原始图像。仅有元数据并不能备份图像。启用了 VNET 功能的项目会返回相对路径,你需要改用 GetArtifact 获取对应文件。
  • 核对数量: 在依赖导出结果之前,请确认导出的图像和标签数量与每个项目报告的数量一致,并逐个标签核对。
  • 记录数据相关设置: 项目和标签 ID、标签到类别的映射、域、已发布的迭代,以及应用使用的置信度阈值和预处理方式。
  • 了解 ExportProject 的作用: Microsoft 的 ExportProject API 使用临时令牌将项目复制到另一个 Custom Vision 账户。它不是可移植的数据集备份。
  • 边界框: 检测区域以 left、top、width 和 height 的形式返回,采用相对于图像尺寸的归一化坐标。将其转换为 YOLO 格式(归一化的中心 x、中心 y、宽度、高度)或 COCO,需要进行坐标转换、类别映射和验证,以发现位置错误的框。

将 Custom Vision 边界框转换为 YOLO 格式:Custom Vision 将左上角存储为 left 0.30、top 0.25,宽度为 0.35、高度为 0.40;YOLO 将中心存储为 x_center 0.475、y_center 0.45,宽度和高度不变

同一个框在两种格式中的表示。两者均使用相对于图像尺寸归一化的坐标。

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"
  • 未标注图像: 使用获取未标注图像操作一并导出。这些图像之后可以标注,作为有用的额外训练样本。

导出前,请在 Microsoft 的限制页面核对两个数值。 Custom Vision 要求分类任务每个标签至少有 5 张已标注图像,目标检测任务每个标签至少有 15 张,并建议两种任务都使用 50 张或更多图像。此外,预测图像仅存储 30 天,因此现在就保存任何想用于重新训练的图像。

  • 模型: 对于紧凑型域项目,请导出当前模型,作为迁移期间可运行的备用方案。标准域项目必须先切换到紧凑型域并重新训练,才能导出;紧凑型模型的准确度可能略低。

保留未修改的原始导出文件,并转换其副本,以便随时恢复到原始文件。如果你要迁移到 Ultralytics Platform,YOLO 格式是自然的目标,因为 Platform 可直接导入 YOLO、COCO 和 Ultralytics NDJSON 数据集。

步骤 3:选择替代方案类型#

依赖 Amazon Lookout for Vision 的团队也经历过类似的选择;AWS 已于 2025 年 10 月 31 日将其退役。没有一种方案适用于所有情况。最佳替代方案取决于你的使用场景,以及团队希望自行管理整个流程中的多少环节。

选项最适合团队需要管理的内容需要核查的事项
Azure Machine Learning 搭配 AutoML(Microsoft 推荐的方案)希望继续使用 Azure 并进行自定义分类和检测的团队Azure ML 工作区、计算资源和部署在 Azure ML 中重建训练和部署工作流所需的工作量
其他云服务商的托管 ML 服务,例如 Amazon SageMaker AI、Amazon Rekognition Custom Labels 或 Google Cloud 上的 Gemini Enterprise Agent Platform采用该云平台作为标准的团队服务商提供的训练、部署和监控配置导出选项、迁移工作量,以及之后能否迁移模型
Microsoft Foundry 中的生成式 AI 服务(Microsoft 推荐的方案)愿意围绕提示词驱动或生成式模型重新设计解决方案的团队提示词设计、评估和解决方案运维针对特定缺陷或物体的准确度、延迟和一致性
专用的可训练视觉平台,例如 Landing AI 的 LandingLens 或 Ultralytics Platform希望在同一处进行标注、训练和部署,并使用托管训练和部署基础设施的团队数据集、标注、评估以及与应用的集成支持的任务、导入格式、部署目标、训练后模型的可移植性,以及团队访问控制
基于开源框架构建希望全面掌控流程的 ML 工程师团队训练代码、基础设施和监控长期维护和人员配置
交钥匙式检测系统希望由单一供应商提供硬件、软件和集成服务的生产线供应商协调、验收测试和持续支持产品和缺陷类型变化时的灵活性

根据步骤 1 中的清单评估每个选项,包括迁移工作量、持续计算和支持成本、采购要求,以及服务是否仍处于预览阶段。如果团队看重在同一处进行标注、训练和部署,专用的可训练视觉平台能提供类似的一体化标注、训练和部署工作流;下文的“迁移到 Ultralytics Platform”部分会逐项说明如何迁移项目中的各个部分。如果推理必须在设备上或离线运行,请先检查导出格式。如果有多人参与数据标注和审核,请检查团队角色和权限。

步骤 4:使用自己的图像进行验证#

除了供应商示例,还要使用自己的数据进行评估:

  1. 将数据分为三部分: 训练集、验证集和新模型从未见过的独立测试集,其中应包含最困难和最罕见的情况。在适用时,按生产批次、摄像头或时间段划分,并从不同子集中移除近似重复的图像,使测试集能反映新环境。
  2. 使用导出的数据集重新训练,并沿用相同的标签或类别。
  3. 根据步骤 1 中的验收标准进行比较,而不要只看一个准确率数值。分别检查漏检和误报。
  4. 在实际运行环境中测试:使用与生产环境相同的摄像头、设备或网络路径。
  5. 调整集成方式:检查替代方案的身份验证、请求和响应格式、预处理、置信度阈值及错误处理,然后更新并测试每个应用,不要想当然地认为只需更换终结点 URL。
  6. 在生产负载下测试:检查并发、冷启动、重试以及服务中断时的行为。

在 Ultralytics Platform 上,你可以使用云端训练基于转换后的数据集进行训练、实时查看指标,然后在生产环境条件下测试模型。

如果新模型表现不佳,请在选择修复方案之前,先调查标签、预处理、模型适用性和部署行为。迁移也是修正不一致标签、补充旧模型难以处理的案例样本的好时机。

步骤 5:规划切换#

切换顺序:1 使用留出图像进行试点,2 与当前模型并行运行,3 切换一个应用,4 监控后重复;若切换前未达到验收标准,则调查数据、预处理、模型和集成,然后修正并重新测试;若切换后超过回滚阈值,则回退到经过测试的备用方案

每个当前调用 Custom Vision 的应用都应遵循的切换顺序。

  • 并行运行。 在一段时间内将相同图像发送给新旧模型,并在切换前比较结果。
  • 每次切换一个调用方,从风险最低的应用开始。
  • 提前定义回滚触发条件,例如漏检率或误拒率超过约定上限;在你确认迁移可靠之前,保留一个备用方案:退役前使用当前的 Custom Vision 端点,退役后则使用已单独部署并测试过的备用方案,例如导出的轻量模型。
  • 为每个应用指定一位负责切换的负责人,确保没有任何应用继续调用已退役的端点。
  • 匹配每个应用当前的运行方式。在 Ultralytics Platform 上,模型可以通过专用端点提供预测服务,也可以导出后在你自己的硬件上运行,因此云端调用方和设备端应用都有相应的运行路径。
  • 确定由谁负责重新训练。产品、照明条件和缺陷类型都会变化。商定由谁审核新数据以及多久重新训练一次模型,这样新系统就能适应生产条件的变化。

迁移到 Ultralytics Platform#

如果你的团队喜欢 Custom Vision 将标注、训练和部署整合在一处的工作流,那么 Ultralytics Platform 也提供同样的端到端工作流,并以 Ultralytics YOLO 模型为核心。迁移后,Custom Vision 项目的各个部分对应如下:

在 Custom Vision 中在 Ultralytics Platform 中
分类和目标检测项目用于分类和检测的数据集,以及用于分割、姿态估计和旋转边界框的数据集
已标记的图像和区域上传转换后的 YOLO、COCO 或 Ultralytics NDJSON 格式导出文件
在门户中标记用于检测的标注编辑器,支持智能标注,可使用 SAM、预训练 YOLO 模型或你自己微调的模型。分类图像需手动标注
训练迭代在 GPU 上进行云端训练,实时流式显示指标并自动保存检查点
预测端点覆盖 42 个区域的专用端点
面向设备的轻量领域模型导出将模型导出为 ONNX、TensorRT 和 CoreML 等格式,具体取决于模型和任务的兼容性
共享项目访问权限包含 Owner、Admin、Editor 和 Viewer 角色的团队工作区(查看团队要求),可选择美国、欧盟或亚太地区的数据区域

Ultralytics Platform 的“新建数据集”对话框,显示上传支持以 ZIP、TAR 或 NDJSON 文件形式提供的 YOLO、COCO 和 Ultralytics NDJSON 数据集

Ultralytics Platform 中的“新建数据集”对话框支持 YOLO、COCO 和 Ultralytics NDJSON 数据集。图中显示的上传限制适用于此截图所用的账户。

有几点需要提前规划:

  • 重新训练,而非导入。你无法上传 Custom Vision 模型,因此需要使用导出的数据训练 YOLO 模型。
  • 多标签分类。Platform 分类数据集要求每张图像对应一个标签,因此在迁移多标签项目之前,请先决定如何处理它们。
  • 隐私和区域。新数据集会根据工作区的默认可见性设置为公开或私有,因此创建专有数据集时,请将其设为 Private。注册时会选择数据区域,之后你无法自行更改。
  • 服务容量。每个专用端点运行一个活动实例。默认规格会在空闲时缩容至零,而自定义规格会保持一个预热实例,因此请根据生产要求对吞吐量和冷启动进行基准测试,或者导出模型并在你自己的基础设施上运行。
  • 范围。视觉平台替代的是检测系统中的模型部分,而非周边的摄像头、照明或产线集成。

从一个项目开始:将有代表性的 Custom Vision 数据集导出文件转换为支持的格式,上传到 Ultralytics Platform,训练模型,并根据你在步骤 1 中商定的验收标准进行比较。如果计划进行更大规模的迁移,请联系我们的团队,讨论项目数量、任务类型、数据集大小、延迟目标和部署限制。

常见问题

  • 2028 年 9 月 25 日。Microsoft 会支持现有客户直到该日期,并要求客户在 2026 年 9 月 25 日之前规划迁移。

  • 导出为 ONNX、TensorFlow、TensorFlow.js 或 CoreML 的模型文件可以在你自己的硬件上运行,无需调用 Custom Vision 服务,因此可以继续运行。如果你使用导出的 Docker 容器,请在服务不可用时对其进行测试,再依赖它运行。你将无法在 Custom Vision 中重新训练模型,而且只有轻量领域项目支持导出。

  • 可以。Training API 的 Get Tagged Images 操作会返回图像元数据、标签和目标检测区域,每次请求最多返回 256 张图像,并为每张原始图像提供一个 originalImageUri(启用了 VNET 功能的项目会返回相对路径,你需要通过 GetArtifact 获取图像)。下载图像本身,然后将区域转换为新平台使用的格式,例如 YOLO 或 COCO。

  • Microsoft 的迁移指南建议使用 Azure Machine Learning 和 AutoML 执行自定义分类与检测,也建议使用 Microsoft Foundry 中的生成式 AI 选项,包括用于自定义分类的 Azure Content Understanding。

  • 如果要迁移到 Ultralytics Platform,请计划使用转换后的数据集训练受支持的 YOLO 模型,因为 Platform 不支持上传 Custom Vision 模型导出文件。保留你的标签,检查标签质量,并在切换前验证新模型。

作者

Jing Qiu
Jing Qiu

高级机器学习工程师 · Ultralytics

Jing Qiu 是 Ultralytics 的高级机器学习工程师,专注于提升最先进计算机视觉模型的性能、可扩展性和实际应用能力。他的工作涵盖模型架构、训练优化和部署,助力 Ultralytics YOLO 为全球开发者和企业提供行业领先的准确度与效率。

评论

提出问题、分享你的结果,或帮助其他人。

探索解决方案

体育领域的计算机视觉

体育领域的计算机视觉

了解 Ultralytics YOLO 如何通过球员和球追踪、表现分析、教练洞察及运动员康复,推动体育视觉技术的发展。
了解详情
航空影像计算机视觉

航空影像计算机视觉

使用 Ultralytics YOLO 将无人机和航空影像转化为农业、水产养殖、保护工作和地理空间分析的实时洞察。
了解详情
航空航天中的计算机视觉

航空航天中的计算机视觉

使用 Ultralytics YOLO 将计算机视觉应用于航空航天领域,包括飞机检查、跑道 FOD 检测、机场地面作业和复合材料缺陷检测。
了解详情
安防领域的计算机视觉

安防领域的计算机视觉

使用 Ultralytics YOLO 模型守护每个场所。视觉 AI 可用于周界监控、威胁检测、车牌识别和工作场所安全。
了解详情
机器人领域的计算机视觉

机器人领域的计算机视觉

使用 Ultralytics YOLO 模型提升智能机器的能力。机器人领域的视觉 AI 可用于自主导航、感知、目标跟踪和实时控制。
了解详情
物流中的计算机视觉

物流中的计算机视觉

借助 Ultralytics YOLO 模型优化物流流程。视觉 AI 可用于包裹检查、分拣、车辆跟踪和仓库安全实时监控。
了解详情
零售中的计算机视觉

零售中的计算机视觉

借助 Ultralytics YOLO 模型重新构想零售。视觉 AI 可用于库存跟踪、货架监控、排队管理和更深入的客户洞察。
了解详情
医疗领域的计算机视觉

医疗领域的计算机视觉

借助 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可加快医学影像处理、优化诊断并监测患者。
了解详情
制造业中的计算机视觉

制造业中的计算机视觉

利用 Ultralytics YOLO 模型优化制造流程。视觉 AI 可用于质量控制、缺陷检测、个人防护装备合规检查和装配线自动化。
了解详情
汽车领域的计算机视觉

汽车领域的计算机视觉

利用 Ultralytics YOLO 模型在汽车领域应用计算机视觉。视觉 AI 可提升道路安全、驾驶辅助和车辆自动化水平,让道路更智能。
了解详情
农业中的计算机视觉

农业中的计算机视觉

借助 Ultralytics YOLO 模型,将视觉 AI 引入智慧农业。为作物监测、牲畜追踪和精准农业提供支持,从而提高产量并实现更智能的生产。
了解详情

让我们携手构建 AI 的未来!

开启你的旅程,迎接机器学习的未来