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 Qiu11 分钟阅读
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。

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。

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 / 1,100 | 3 | 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。

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:
- 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。
- 使用导出的数据集重新训练,并沿用相同的标签或类别。
- 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。
- 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。
- 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。
- 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#

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 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
评论
提出问题、分享你的结果,或帮助其他人。










