如何选择计算机视觉供应商：企业采购指南

模型是简单的部分。企业计算机视觉项目真正的工作在于模型背后的标注数据，以及让推理在边缘摄像头上运行；大多数项目悄然停滞的正是后半部分。如今，这类采购指南更看重模型在你自己的图像上的准确率，以及边缘部署的实际可行性，而不是旧版 RFP 过度强调的预训练功能广度对比。原因在于，托管 API 已能满足通用功能，而项目仍会在那些棘手、具体且受延迟限制的场景中失败。

本指南根据决定架构的两个选择对八家供应商进行比较：预训练 API 还是自定义模型，以及云端还是边缘端。只有在明确这些要求之后，才比较商务条款；否则，各家的报价描述的将是不同的系统。

两个关键选择#

在比较供应商之前，先根据这两个维度确定项目的位置。这个领域几乎所有采购失误，都是因为选错了所在象限的供应商。

预训练 API 还是自定义模型。如果你的任务是通用任务（从文档中读取文本、检测常见对象、审核内容），托管 API 现在就能解决问题，无需 ML 团队。如果你的任务针对自己的产品、零部件或流程，那么任何预训练 API 都无法达到生产环境所需的准确率；你需要采购的是训练和数据流水线。

云端还是边缘端。如果推理可以容忍与数据中心之间的往返延迟，云服务商是最省事的选择。如果无法容忍（例如高速运行的生产线、车辆、网络连接不可靠的场所，或不允许离开现场的数据），那么边缘部署就是硬性要求，也会淘汰大多数候选供应商。

采购平台却跳过数据和生命周期工作的项目，最终交付的只会是永远无法投入生产的试点。将标注和 MLOps 作为主要工作来安排预算，并在签署任何协议之前，用最难处理的图像验证准确率。

供应商按字母顺序列出，并非排名。本指南由 Ultralytics 发布，且其中也包含 Ultralytics，因此排序特意保持中立，并明确说明每家供应商的取舍。

AWS：Rekognition 和 SageMaker AI#

产品简介。分为两个层面：Amazon Rekognition 是托管视觉 API，Amazon SageMaker AI 是自定义训练和部署平台。

优势。Rekognition 提供完全托管的图像和视频分析（内容审核、标签和文本检测、PPE 检测），以及无需 ML 团队即可训练特定任务模型的 Custom Labels。它与 S3、Lambda 和 Kinesis Video 深度集成，是 AWS 原生流水线最省事的选择。如果需求超出 API 的能力范围，SageMaker AI 支持分布式训练、自动扩缩容端点、GPU 和 CPU 资源池、部署流水线，以及常见框架的实验跟踪。

Rekognition 还提供人脸比对和搜索。应将其作为单独的采购问题处理，而不是视为额外福利：生物特征处理涉及独立的监管风险、同意义务，在多个司法管辖区还可能产生法定赔偿。如果你不需要这项功能，就应明确排除在采购范围之外；还要注意，大多数被称为“安防”的视觉应用都不需要它。

取舍。功能广度确实很大，但组装工作也同样不少：Rekognition 加上 SageMaker、存储和编排，构成的是一套架构，而不是一个产品。与自行构建的供应商相比，其边缘端能力较弱。

适用对象。希望立即使用托管视觉服务，并且以后可以自定义构建而无需更换云平台的 AWS 原生组织。

采购提示。PPE 检测对安全监控确实很有用，通常也是最快能取得有据可依的初步成果的方式。

Azure AI Vision#

产品简介。Microsoft 的托管视觉技术栈，涵盖现成 API 和自定义模型训练。

优势。Azure AI Vision 提供可直接使用的图像分析、OCR 和文本提取、对象检测及视频洞察 API，无需管理底层基础设施即可完成部署和扩缩容。对于需要自行训练分类或检测模型的团队，目前可通过 Azure Machine Learning（包括其 AutoML 功能）实现，并覆盖完整生命周期。

采购提示：关注服务生命周期，而不只是功能列表。Microsoft 已将旧版 Custom Vision 服务纳入退役计划，并引导需要构建自定义分类和检测模型的客户改用 Azure Machine Learning。现在基于 Custom Vision 构建的任何系统，都需要在路线图中安排迁移。这是云端视觉评估中最常见的失败原因：某项服务在功能对比中看起来很理想，实际上却已被取代，而提供候选名单依据的对比文章还没有更新。要求任何大型云服务商以书面形式说明其方案中列出的每项具体服务的支持状态和弃用状态。

取舍。与任何大型云服务商的视觉服务一样，其费用按用量计费，团队规模扩大后可能会遇到意外成本。虽然可以部署到边缘端，但这并非其设计重点。

适用对象。已采用 Azure 标准化方案、需要强大 OCR 和文档理解能力，并希望使用托管服务而非组建 ML 团队的组织。

采购提示。按生产规模而不是试点规模估算每次推理的成本。用量计费可能会让已获批的商业案例陷入亏损。

Cognex#

产品简介。机器视觉领域的全球领导者，为制造业和物流业提供自动化硬件与软件。

优势。Cognex 能成为工业视觉领域的现有主力供应商自有其原因：其产品已部署于缺陷检测和质量控制、存在性与缺失验证，以及物流和包装中的条码读取与追溯场景。Cognex VisionPro Deep Learning（其 ViDi 产品线的后继产品）增加了专为工厂自动化打造的工业级深度学习能力，同时也提供适用于简单检测的边缘学习选项。对于需要与 PLC 集成并能经受工厂环境考验的视觉项目，这是经过验证的设备，而不是将云服务对准摄像头。

取舍。你购买的是工业硬件生态系统，同时也要接受其成本结构和供应商锁定。这不适合云原生、软件优先的团队。

适用对象。视觉系统属于生产线的一部分，而非数据平台一部分的制造和物流项目。

采购提示。询问生产线运行后如何更新模型。工厂设备的重新训练节奏与重新部署云端点，是截然不同的运维问题。

Encord#

产品简介。以标注和数据集质量为重点的数据驱动平台。

优势。Encord 的定位是：决定结果的是数据质量，而不是模型架构。它提供标注、整理和质量管理工具，并以医学影像和视频领域的优势著称。

取舍。它解决的是问题中与数据有关的部分；训练和部署仍需另寻平台。

适用对象。标注质量构成瓶颈的项目，尤其是受监管领域或专业领域的项目。

Landing AI#

产品简介。由 Andrew Ng 创立的制造业视觉检测平台。

列入候选名单前的注意事项。Landing AI 已将业务重点转向文档和智能体 AI，其检测产品线目前仍在维护，但已不是主打产品。ABB Motion Ventures 于 2025 年投资该公司，专门用于将其视觉 AI 引入 ABB 机器人，因此这项能力仍有发展路径；但应直接询问工厂检测方面的路线图承诺。

优势。Landing AI 专注于一个具体且确实棘手的问题：缺陷样本稀少时的视觉检测。其技术针对小型数据集设计，这正是工业场景中的常态：每月只发生两次的缺陷，你不可能收集到一千个样本。

取舍。这种专注也限制了适用范围。如果你需要覆盖多种任务类型的通用视觉平台，更全面的平台会更合适。

适用对象。有缺陷检测需求、但缺陷图像不足以训练传统模型的制造商。

采购提示。如果项目受阻的原因是数据稀缺而非模型能力不足，就应将这家供应商列入候选名单。用最罕见的缺陷类别验证效果。

NVIDIA#

产品简介。支撑许多企业视觉应用的计算与软件层：加速硬件、预训练模型工具包，以及用于边缘端和视频分析的部署框架。

优势。NVIDIA 在采购中的价值通常体现在基础架构层，而非应用层：它提供训练所用的 GPU 和边缘推理所用的 Jetson 模组，以及 Metropolis 平台层——用于多路视频分析流水线的 DeepStream 和用于模型训练与优化的 TAO。对于要在大量摄像头视频流上部署视觉应用的项目，平台选择和 NVIDIA 选择通常是同一个问题。

取舍。它提供的是基础设施，而不是应用。你仍需要数据流水线、模型和集成工作，这些工作要么由自己的团队负责，要么交给其他供应商。

适用对象。在边缘端处理大量摄像头视频流，或大规模训练自定义模型的项目。

采购提示。硬件交付周期和生命周期支持应写入合同。边缘设备群意味着要对某个模组做出五年承诺，而你必须确保第三年时仍能买到该模组。

Roboflow#

产品简介。面向开发者的端到端计算机视觉平台。

优势。Roboflow 很受欢迎，适合快速原型开发，可处理数据集管理、增强和模型训练，并提供 AI 辅助标注、无代码训练，以及从云端到边缘端的部署。对于需要快速迭代新用例的团队，它省去了大部分前期配置工作。

取舍。面向开发者的工具默认使用者是开发者。它不是企业级托管服务。

适用对象。希望在几天而非几个季度内从想法推进到可用模型的团队。

Ultralytics#

产品简介。涵盖标注、数据集管理和训练的视觉平台，围绕广泛采用的开放模型构建。

优势。Ultralytics Platform 覆盖六种标注任务（对象检测、实例分割、语义分割、分类、姿态估计和有向对象检测），并提供 SAM 驱动的智能标注，可通过一次点击为检测、分割、语义和有向框任务生成掩码和边界框；姿态和分类需要手动标注，因此值得根据你的任务组合进行核实。平台支持导入和导出 YOLO、COCO 和 VOC 数据，因此可以融入现有流水线，而不是取而代之；平台还内置团队审核和数据集版本管理。采购优势在于连续性和可移植性：模型开放且已广泛部署，你标注的数据集就是用于训练的数据集，而且两者都不会被锁定在专有格式中。

采购详情。Ultralytics Platform 持有 SOC 2 I 类和ISO 27001:2022认证，并在传输和静态存储期间加密数据，且符合 GDPR 和 CCPA。应仔细阅读 I 类认证的含义：它证明的是某个时间点的控制设计，而非一段时期内控制措施的运行有效性；后者对应 II 类认证。上文有多家供应商持有 II 类认证，如果你的政策要求此认证，这是真正的差异，而非吹毛求疵。数据驻留区域可设为美国、欧盟或亚太地区。云端 GPU 价格按小时公开，而非通过报价确定；计费方式为按使用量付费，因此它是本页少数几个能让你在与销售沟通前准确估算成本的选项之一。

许可：请在比较功能前阅读。Ultralytics YOLO 模型基于AGPL-3.0发布，这是一种强著佐权许可证。商业或专有部署通常需要 Ultralytics 企业许可证，该许可证也涵盖私有部署和高级支持。将该许可证的费用纳入与商业授权平台的比较，并尽早交由法务审查：“开源”和“无需支付许可费用”并不是一回事；这是原本合理的视觉业务案例最常在合同阶段受阻的原因。

取舍。这是一个适合自行负责模型的团队使用的平台。希望通过托管服务直接获得成品结果的组织，应考虑服务型供应商。它也是这里最新的平台：Ultralytics Platform 于 2026 年 3 月推出，而 Azure、AWS、Cognex 和 NVIDIA 在采购方面经验丰富、支持网络成熟，也拥有风险规避型委员会会要求提供的客户案例。如果长期业绩记录或 II 类认证是准入门槛，就应考虑其他选择。

适用对象。希望拥有并掌控自定义视觉模型、且能自行选择部署位置的企业，包括部署在自有硬件上，且无需按每次推理依赖云服务商。请注意，托管平台本身会按 GPU 训练时长和端点使用量计费；不同之处在于，导出的模型可以完全运行在你拥有的基础设施上。

对比一览#

应该选择哪家供应商？#

六种情况涵盖了大多数企业项目。找到适合你的情况。

你需要 OCR、文档理解或通用对象检测，而且使用 Azure。选择 Azure AI Vision。这些 API 开箱即用，无需 ML 团队，集成工作也很少。承诺使用前，按生产规模估算每次推理的成本：用量计费可能会让已获批的商业案例难以成立。

你需要在 AWS 原生流水线中使用托管视觉服务。选择 AWS。Rekognition 开箱即用地处理内容审核、人脸搜索、PPE 和标签检测；当需求超出其能力时，可以使用 SageMaker，而无需更换云平台。应预期需要组装一套架构，而不是直接购买一个产品。

你要检测生产线上的零部件。如果视觉系统必须部署在线上、与 PLC 集成并经受工厂环境考验，就选择 Cognex。如果你的瓶颈是缺陷过于罕见，无法通过传统方式训练，则选择 Landing AI。这是数据问题，而非设备问题，因此需要不同的工具。

你要在边缘端处理大量摄像头视频流。选择 NVIDIA 作为平台层，然后单独决定由谁提供模型和数据流水线。这是基础设施层面的决策，无法替你解决应用层面的选择。

你需要快速推进并证明价值。选择 Roboflow 进行快速迭代；如果你打算将原型模型投入生产环境，则选择 Ultralytics Platform。区别在于你是在探索，还是在构建。

标注数据是你的瓶颈。 如果标注质量和数据整理是制约因素，选择 Encord；如果你希望标注直接衔接训练，而不是在不同工具之间交接，选择 Ultralytics Platform。

如果两个选项都适用，就选退出成本更低的那个。只要一切顺利，开放模型格式和可移植数据集不花钱；一旦出问题，它们就价值连城。

RFP 中应写入哪些内容#

下面这些问题比任何功能矩阵都更能快速区分供应商，因为不合适的供应商无法清楚地回答这些问题。

关于准确率。 在我们的概念验证图像上，你们测得的准确率是多少？请按我们的故障类别细分，而不是只给汇总数据。在我们最差的光照条件下，这个数值会有什么变化？

关于部署。 推理具体运行在哪种硬件上？包括图像采集在内的端到端延迟是多少？连接中断时会发生什么？已经安装的设备由谁现场更新模型？

关于数据。 标注数据归谁所有？我们能否随时以开放格式导出？你们会使用我们的哪些数据来改进产品？我们能否选择退出？

关于生命周期。 发现新的故障模式后，需要多久才能重新训练并重新部署？请按步骤说明流程，并注明每一步的负责人。

关于商务条款。 按我们预计的用量计算，三年总成本是多少？请分别列出许可证、计算、存储、标注人工和支持费用。什么情况会触发价格变更？

关于退出。 如果我们在第二年终止合作，能保留什么：数据、模型，还是都不能保留？

从试点走向生产#

这一领域的大多数项目并非在试点阶段失败，而是卡在试点成功与生产系统始终无法真正落地之间。

在试点开始前设定生产门槛。 明确达到什么准确率、延迟和单次推理成本才值得推广，并把这些指标写下来。没有通过标准的试点总能算作成功，因此它什么也说明不了。

在条件最差的现场试点，而不是条件最好的现场。 光线良好、主管积极配合的示范产线，会让任何供应商看起来都很有能力。真正决定推广成败的，是问题最多的现场。

为第二个模型做好预算。 第一个模型由供应商投入精力，使用干净的数据集构建。第十个模型则要由你的团队在某个星期二构建。如果没有供应商在场就无法构建第二个模型，这个项目就无法规模化。

明确数据质量的负责人。 这一领域所有失败项目都缺少同一个角色：长期对标注数据集负责的人。这不是 ML 工程师的业余工作，也不该由采购部门负责。

经得起生产考验的评估标准#

根据你的任务以及推理必须运行的位置，为这些标准赋予权重。

看你自己的图像上的准确率，而不是基准测试成绩。 坚持用你自己最难处理的图像进行概念验证：光线差、存在遮挡，以及操作人员经常抱怨的边缘案例。不愿意做这项测试的供应商，已经说明了一些问题。

边缘部署的现实性。 具体询问：使用什么硬件、延迟是多少、网络中断时会发生什么，以及如何更新已在现场运行的设备上的模型。

总拥有成本。 将许可、计算、存储、标注人工和持续的模型维护都计算在内，而不只是前期费用。按用量计费的云定价，是团队规模扩大后最常遇到的意外成本。

集成接口。 在工业环境中，与 PLC 和 MES 的适配程度决定系统是否可用。在软件环境中，关键则是 API 和数据管道。两者不能互换。

数据治理。 加密、访问控制、审计追踪和法规遵循。GDPR、HIPAA 及行业特定标准往往会在任何技术比较开始之前，就决定平台选择。

新的采购门槛：设备可信性与数据溯源#

这项变化值得明确指出，因为它如今会阻碍一些过去本可成交的交易。

设备可信性、数据集权利和图像保管记录，正日益具有与模型准确率同等的商业重要性。计算机视觉模型即使通过技术验证，仍可能无法通过采购审核，因为没有人能证明训练图像的来源、组织是否有权使用这些图像，或某一帧图像是由哪台实体设备采集的。

RFP 中应提出的三个问题：

• 数据集权利。 对于训练中使用的每个数据集，其许可证是什么？是否允许在我们的司法管辖区内用于商业用途？
• 图像保管。 供应商能否提供记录，追溯某次生产推理所用图像的采集设备？
• 设备可信性。 如何验证边缘设备的完整性？如果设备遭到篡改，会发生什么？

无法回答这些问题的供应商未必不安全，但他们会让你的法律审查慢上几个月。

如何开展评估#

根据象限而非功能数量缩小候选范围。 先决定选择预训练还是定制、云端还是边缘部署。通常在任何演示开始前，这就能筛掉半数市场选项。

用最难处理的数据开展一次概念验证。 所有供应商使用相同图像和验收标准。衡量关键案例上的准确率，而不是简单数据集上的汇总准确率。

核算整个生命周期的成本。 建立包含标注人工和重新训练费用的三年成本模型。比较这个模型，而不是许可证费用。

测试更新流程。 部署一个模型，然后对它进行更改。所需时间和参与人员决定了系统上线后会持续改进，还是从第一天起就停滞不前。

检查退出方案。 你能否以开放格式导出标注数据，并将模型转移到其他平台？如果不能，就把供应商锁定成本算进去。