选择计算机视觉供应商：企业采购指南

模型是最容易的部分。在企业级计算机视觉中，真正的工作是模型背后的标注数据，以及让推理在边缘端相机上运行，而后半部分正是大多数项目悄然停滞的地方。该领域的买家指南现在更看重你自身图像上的准确度以及边缘部署的真实性，而不是旧版RFP过度关注的预训练功能广度，因为托管API已经涵盖了通用功能，而项目却往往在困难、具体且受延迟限制的案例上失败。

本指南将八家供应商与决定架构的两项决策进行对比：预训练API或自定义模型，以及云端或边缘端。只有在这些需求确定后才能对比商业条款，否则报价所描述的将是不同的系统。

至关重要的两项决策#

在对比供应商之前，先将你的项目放在这两个坐标轴上。该类别中几乎所有的采购失误都是由于选错了象限。

**预训练API与自定义模型。**如果你的任务是通用的（从文档中读取文本、检测常见对象、审核内容），托管API无需ML人员即可在今天解决它。如果你的任务针对你的产品、零件或流程，没有任何预训练API能达到生产环境的准确度，你实际上是在购买训练和数据管道。

**云端与边缘端。**如果推理能够容忍到数据中心的往返，云供应商是阻力最小的路径。如果不能（高速运转的流水线、车辆、连接不可靠的站点，或不允许离开本地的数据），那么边缘部署就是淘汰大部分候选名单的硬性需求。

购买了平台却跳过数据和生命周期工作的项目，最终只会发布一个永远无法投入生产的试点项目。将预算用于标注和MLOps作为主要工作，并在签署任何协议之前证明你最困难的图像的准确度。

供应商按字母顺序排列，不分排名。Ultralytics发布了本指南并包含在其中，因此排序故意保持中立，每个供应商都有明确阐述的权衡。

AWS：Rekognition和SageMaker AI#

**它是什么。**分为两层：Amazon Rekognition作为托管视觉API，Amazon SageMaker AI作为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 moderation、标签和文本检测、PPE检测），以及用于无需ML人员即可训练特定任务模型的Custom Labels。与S3、Lambda和Kinesis Video的深度集成使其成为AWS原生管道阻力最小的路径。当需求超出API时，SageMaker AI支持常见框架之间的分布式训练、自动缩放端点、GPU和CPU集群、部署管道以及实验跟踪。

Rekognition还提供人脸比对和搜索功能。请将其视为一个独立的采购问题，而不是一项额外福利：生物特征处理带有其自身的监管风险、同意义务，并且在几个司法管辖区中存在法定赔偿。如果你不需要它，请明确将其排除在范围之外，并注意标记为“安全”的大多数视觉用例并不需要它。

**权衡。**广度是真实的，但组装工作也是如此：Rekognition加SageMaker加存储加编排是一个架构，而不是一个产品。边缘端弱于自己构建的阵营。

**最适合。**希望立即获得托管视觉并希望以后在不改变云的情况下构建自定义功能的AWS原生组织。

**采购说明。**PPE检测对安全监控确实有用，通常是通往可防御的首次胜利的最快途径。

Azure AI Vision#

**它是什么。**微软的托管视觉堆栈，涵盖现成的API和自定义模型训练。

**优势。**Azure AI Vision提供用于图像分析、OCR和文本提取、目标检测和视频洞察的即用型API，其部署和扩展无需管理底层基础架构。对于需要自己训练的分类或检测模型的团队，Azure Machine Learning（包括其AutoML功能）是当前的路线，并且它涵盖了完整的生命周期。

**采购说明：检查服务生命周期，而不仅仅是功能列表。**微软已将旧的Custom Vision服务纳入退役路径，并引导构建自定义分类和检测模型的客户改用Azure Machine Learning。任何基于Custom Vision构建的东西现在在其路线图中都需要迁移。这是云视觉评估出错的最常见方式：在功能对比中看起来理想的服务其实已经被取代，而为候选名单提供信息的对比文章尚未更新。以书面形式向任何超大规模企业询问其提案中命名的每个特定服务的支持和弃用状态。

**权衡。**与任何超大规模企业的视觉服务一样，经济性是基于消费的，成本可能会在规模化时让团队感到意外。边缘部署是可能的，但并非设计中心。

**最适合。**已经标准化使用Azure、需要强大OCR和文档理解能力，并且希望使用托管服务而不是ML团队的组织。

**采购说明。**按生产规模（而非试点规模）对每次推理的成本进行建模。按使用量定价是将获批的业务案例推入赤字的元凶。

Cognex#

**它是什么。**机器视觉领域的全球领导者，为制造和物流销售自动化硬件和软件。

**优势。**康耐视（Cognex）成为工业视觉的常青树是有充分理由的：其产品广泛部署于缺陷检测和质量控制、有无验证以及物流和包装中的条形码读取和可追溯性。Cognex VisionPro Deep Learning（其ViDi产品线的继任者）增加了专为工厂自动化构建的工业级深度学习，并为更简单的检查提供了边缘学习选项。当项目需要与PLC集成并在工厂车间生存的视觉时，这是经过验证的设备，而不是指向相机的云服务。

**权衡。**你买入的是一个工业硬件生态系统，这意味着相应的成本结构和供应商锁定。对于云原生、软件优先的团队来说，这是错误的形式。

**最适合。**视觉系统是生产线的一部分而不是数据平台一部分的制造和物流项目。

**采购说明。**询问一旦产线运行，模型是如何更新的。工厂设备上的再训练节奏与重新部署云端点是截然不同的运营问题。

Encord#

**它是什么。**专注于标注和数据集质量的数据中心化平台。

**优势。**Encord的定位是数据质量（而非模型架构）决定结果：拥有用于标注、整理和质量管理的工具，并在医学影像和视频领域获得赞誉。

**权衡。**它只解决了问题的数据一半。训练和部署仍然需要一个归宿。

**最适合。**标注质量是瓶颈的项目，尤其是在受监管或专业领域。

Landing AI#

**它是什么。**由吴恩达创立的制造视觉检测平台。

**入围前须知。**Landing AI已围绕文档和智能体AI重新定位，其检查线目前处于维护状态而非头条。ABB运动控制风投（ABB Motion Ventures）于2025年进行了投资，专门将其视觉AI引入ABB机器人技术，因此该功能有前进的路线，但请直接询问有关工厂检查的路线图承诺。

**优势。**Landing AI针对一个具体且真正困难的问题：缺陷样本稀少的视觉检查。其技术专为小型数据集设计，这是工业环境中的常态：你无法为一个月只出现两次的缺陷收集一千个样本。

**权衡。**这种专注缩小了适用范围。对于跨多种任务类型的通用视觉，更广泛的平台会服务得更好。

**最适合。**有缺陷检测问题但没有足够的缺陷图像来训练传统模型的制造商。

**采购说明。**当你的阻碍是数据稀缺而非模型能力时，这就是要入围的供应商。在你最罕见的缺陷类别上证明它。

NVIDIA#

**它是什么。**许多企业视觉底层的计算和软件层：加速硬件、预训练模型工具包，以及用于边缘和视频分析的部署框架。

**优势。**NVIDIA在采购中的关联通常是结构性的，而不是应用级别的：它提供运行训练的GPU和运行边缘推理的Jetson模块，以及Metropolis平台层：用于多流视频分析管道的DeepStream和用于模型训练与优化的TAO。对于跨多个相机流部署视觉的项目，平台问题和NVIDIA问题通常是同一个问题。

**权衡。**它是基础架构，而不是应用程序。你仍然需要来自你自己的团队或其他供应商的数据管道、模型和集成工作。

**最适合。**在边缘端运行许多相机流，或大规模训练自定义模型的项目。

**采购说明。**硬件交货时间和生命周期支持应写入合同。边缘集群是对模块的五年承诺，你必须确保在第三年仍然能够买到它。

Roboflow#

**它是什么。**一个面向开发者的计算机视觉端到端平台。

**优势. **Roboflow因快速原型开发而受欢迎，能够处理数据集管理、增强和模型训练，具备AI辅助标注、无代码训练以及从云端到边缘的部署。对于围绕新用例快速迭代的团队来说，它省去了大部分设置工作。

**权衡。**以开发者为中心的工具假定使用者是开发者。它不是企业级托管服务。

**最适合。**希望在几天（而不是几个季度）内从构思走向工作模型的团队。

Ultralytics#

**它是什么。**一个涵盖标注、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涵盖六项标注任务（目标检测、实例分割、语义分割、分类、姿态估计和定向目标检测），其中由SAM驱动的智能标注可一键生成用于检测、分割、语义和定向框任务的掩码和边界框：姿态和分类是手动标注的，这值得对照你的任务组合进行检查。导入和导出跨越YOLO、COCO和VOC，因此它适合现有管道而不是替换它们，并且内置了团队评审和数据集版本控制。采购优势在于连续性和可移植性：模型是开放且广泛部署的，你标注的数据集就是你训练的数据集，两者都不会被困在专有格式中。

采购细节。Ultralytics Platform持有SOC 2 Type I和**ISO 27001:2022**认证，提供传输中和静态加密，并符合GDPR和CCPA规范。请仔细阅读Type I：它证明的是特定时间点的控制设计，而不是一段时间内的运营有效性（即Type II）：上述几家供应商持有Type II，如果你的政策要求它，这是一个真正的区别，而不是技术细节。数据驻留地可固定在US、EU或AP。云GPU定价按小时公布而非报价，且结算方式为按需付费，这使其成为本页少数几个你可以在销售对话之前精确建模的选项之一。

许可：在功能对比前阅读此内容。Ultralytics YOLO模型在AGPL-3.0下发布，这是一个强传染性开源许可证。商业或专有部署通常需要Ultralytics企业许可证，该许可证还涵盖私有部署和高级支持。将该许可证计入与任何商业许可平台的对比中，并尽早将其呈交给法务部门：“开源”和“无许可证成本”并不是同一个说法，这是原本健全的视觉业务案例在合同阶段停滞的最常见原因。

**权衡。**这是一个为拥有自己模型的团队设计的平台。希望获得交付成品结果的托管服务的组织应转而寻找服务供应商。这也是这里最新颖的选项：Ultralytics Platform于2026年3月推出，而Azure、AWS、Cognex和NVIDIA拥有悠久的采购历史、完善的支持网络以及规避风险的委员会会要求的参考客户。如果历史轨迹的长短或Type II认证是守门人的要求，那么应该指向其他地方。

**最适合。**希望拥有自己控制的自定义视觉模型并在自己选择的地方（包括在自己的硬件上）进行部署，且对云供应商没有每次推理依赖性的企业。请注意，托管平台本身确实会对GPU训练小时数和端点使用收费；不同之处在于导出的模型可以完全在你拥有的基础设施上运行。

一目了然的对比#

你应该选择哪个供应商？#

六种情况涵盖了大多数企业项目。找到属于你的那一种。

你需要OCR、文档理解或通用目标检测，并且你正在使用Azure。选择Azure AI Vision。API随时可用，无需ML人员，且集成工作极少。在提交之前，以生产规模模拟每次推理的成本：按使用量定价是打破已批准业务案例的元凶。

你需要在AWS原生管道内部使用托管视觉。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，当你超越它时，SageMaker随时可用，无需更换云。预期是组装一个架构而不是购买一个产品。

你正在生产线上检查零件。如果视觉系统必须驻留在生产线上、与PLC集成并适应工厂环境，请选择Cognex。如果你的阻碍是缺陷太少而无法进行传统训练，请改选Landing AI。这是一个数据问题，而不是设备问题，它需要不同的工具。

你正在边缘端的许多相机流上进行部署。选择NVIDIA作为平台层，然后单独决定谁来提供模型和数据管道。这是一个不解决应用决策的基础架构决策。

你需要快速行动并证明价值。为了快速迭代，选择Roboflow；如果你原型化的模型正是你打算在生产中运行的模型，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。如果标注质量和整理是限制条件，选择Encord；如果你希望标注直接与训练结合而不是在工具之间手递手传递，选择Ultralytics Platform。

**当两个选项都合适时，**选择退出成本较低的那一个。事情顺利时，开放模型格式和可移植数据集不花一分钱，而当事情不顺时，它们就是全部。

RFP中应包含的内容#

以下问题比任何功能矩阵都能更快地筛选出供应商，因为它们是不契合的供应商无法清楚回答的问题。

**关于准确度。**你在我们概念验证图像上测得的准确度是多少？请按我们的失败类别细分，而不是聚合？在我们最差的照明条件下，这个数字会发生什么变化？

**关于部署。**究竟是什么硬件在运行推理？包括捕获在内的端到端延迟是多少？当连接断开时的行为是什么？谁在物理上更新已经安装在设备上的模型？

关于数据。 谁拥有标注好的数据？我们能否随时以开放格式将其导出？产品改进使用了我们数据的哪一部分，我们能否选择退出？

关于生命周期。 在发现新的故障模式后，重新训练和重新部署需要多长时间？请按步骤为我们演示，并列出相应的负责人。

关于商业条款。 按照我们的预计使用量，三年的总成本是多少？请分项列出许可证、计算、存储、标注人工和支持费用。什么情况会触发价格变动？

关于退出。 如果我们在第二年终止合作，我们能保留什么：数据、模型，还是两者皆无？

从试点到生产#

此类项目大多数都不是在试点阶段失败的。它们失败于成功的试点与迟迟无法落地的生产系统之间的鸿沟中。

在试点开始前设定生产标准。 确定能够证明全面推广合理性的准确率、延迟和每单推理成本，并将其记录下来。没有合格线的试点总是会成功，这也是为什么它什么也证明不了。

在最糟糕的现场进行试点，而不是最好的现场。 拥有良好照明和积极主管的旗舰生产线会让任何供应商看起来都能力出众。问题现场才是真正检验推广效果的地方。

为第二个模型做好预算。 第一个模型是在供应商的悉心关注和干净的数据集下构建的。而第十个模型将由你的团队在某个周二自行构建。如果离开供应商在场就无法构建第二个模型，那么该项目就无法规模化。

明确数据质量的负责人。 此类中所有失败的项目都有一个共同的缺失角色：一个长期对标注数据集负责的人。这不是机器学习工程师的业余工作，也不属于采购部门。

经受得住生产检验的评估标准#

根据你的任务以及推理运行的位置来权衡这些因素。

基于你自己的图片准确率，而不是基准测试。 坚持使用你最困难的图片进行概念验证：糟糕的照明、遮挡、你的操作员抱怨的边缘案例。不愿进行此类测试的供应商本身就说明了问题。

边缘部署的现实性。 具体询问：什么硬件、什么延迟、网络中断时会发生什么，以及如何更新已经在现场设备上的模型。

总拥有成本。 包括许可证、计算、存储、标注人工和长期的模型维护，而不仅仅是前期费用。基于消耗量的云端定价往往是规模化时最让团队感到意外的项目。

集成界面。 在工业环境中，与PLC和MES的契合度决定了系统是否可用。在软件环境中，则是API和数据管道。这两者是不可互换的。

数据治理。 加密、访问控制、审计追踪和法规合规。GDPR、HIPAA和行业特定标准往往在任何技术比较开始之前就决定了平台的选择。

新的采购关卡：设备信任与数据溯源#

一个值得一提的转变，因为它现在开始阻碍那些原本能够成交的交易。

设备信任、数据集权利和图像保管记录在商业上的重要性日益与模型准确率相当。计算机视觉模型可能通过了技术验证，但在采购环节仍然失败，因为没有人能够证明训练图像来自何处、组织是否有权使用它们，或者哪个物理设备捕获了特定的帧。

RFP中应包含的三个问题：

• 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？它是否允许在我们管辖的范围内进行商业使用？
• 图像保管。 供应商能否提供一份记录，将生产推理追溯到捕获它的设备？
• 设备信任。 如何证明边缘设备的完整性，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不一定不安全。然而，它们肯定会使你的法律审查时间延长数月。

如何进行评估#

根据象限入围，而不是功能数量。 首先确定预训练与自定义以及云端与边缘的抉择。这通常在单个演示之前就排除了半数市场。

用你最困难的数据进行一次概念验证。 同样的图片、同样的验收标准、每一个供应商。针对重要的情况衡量准确率，而不是在一套简单的测试集上衡量总体准确率。

计算完整的生命周期成本。 建立一个包括标注人工和重新训练在内的三年模型。比较这个，而不是许可证费用。

测试更新路径。 部署一个模型，然后修改它。这需要多长时间以及必须涉及哪些人员，是决定系统在上线后是会改进还是在第一天就停滞不前的关键指标。

检查退出机制。 你能否以开放格式导出标注好的数据并将模型带到别处？如果不能，请为这种锁定付费。