Custom Vision
Microsoft · Image
Custom Vision est le service de reconnaissance d'images de Microsoft Azure. Vous téléversez des photos étiquetées, entraînez un classifieur ou un détecteur, puis l'appelez par API ou l'exportez pour qu'il tourne hors ligne.
À propos de Custom Vision
What Is Custom Vision
Custom Vision est le service géré de Microsoft pour bâtir un service de reconnaissance d'images à partir de vos propres données. Vous apportez les photos, les marquez avec les étiquettes qui vous intéressent, et la plateforme entraîne un identifiant d'images personnalisé qui note les nouvelles images face à ces étiquettes. Deux types de projets couvrent l'essentiel : la classification, où chaque photo reçoit une étiquette ou plusieurs, et la détection d'objets, où le modèle renvoie en plus un cadre autour de chaque objet trouvé.
Le travail se fait dans le portail customvision.ai depuis un navigateur, ou via les SDK et l'API REST si vous préférez automatiser la chaîne. L'entraînement tourne sur de la puissance Azure facturée à l'heure, et les prédictions passent par une ressource distincte, de sorte qu'un point de terminaison de production très sollicité ne concurrence pas vos essais. Les modèles entraînés dans un domaine compact s'exportent vers un téléphone, une caméra ou un serveur local, et c'est la raison principale pour laquelle beaucoup d'équipes le préfèrent à une API uniquement dans le cloud.
La contrainte, c'est le calendrier. Microsoft a annoncé le retrait d'Azure Custom Vision et assure le support des clients actuels jusqu'au 25 septembre 2028. La marge est confortable, mais tout nouveau projet d'entraînement de modèles de vision par ordinateur doit d'abord regarder le chemin de migration. La précision est l'autre limite concrète : cent images propres et bien étiquetées battent souvent mille images bâclées, et un modèle entraîné sur des photos de studio échoue sur des prises de vue floues faites sur le terrain.
Getting Started
- Créez une ressource d'entraînement Custom Vision dans le portail Azure et choisissez une région proche de vos données.
- Ouvrez customvision.ai, créez un projet de classification ou de détection, puis sélectionnez un domaine.
- Téléversez et étiquetez des images, avec au moins 15 à 30 exemples par étiquette avant le premier entraînement.
- Entraînez, vérifiez la précision et le rappel par étiquette, puis ajustez les étiquettes ou ajoutez des photos avant de relancer.
- Publiez l'itération sur une ressource de prédiction et appelez le point de terminaison depuis votre application.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Custom Vision.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Développeurs qui ajoutent un tri d'images à une application existante
- Équipes d'exploitation de petites usines
- Équipes catalogue et commerce de détail
Tâches
- Trier les fichiers envoyés par les utilisateurs
- Vérifier la présence d'une pièce
- Lire l'état visuel d'une caméra fixe
- Tester une idée de vision en une semaine
Cas d'usage
- Une application d'inspection sur le terrain qui doit fonctionner sans réseau
- Un flux de support qui oriente les captures d'écran par type
- Un pilote avant un développement plus lourd
Fonctionnalités clés
Classification d'images avec vos étiquettes
Vous définissez les étiquettes et le modèle de classification d'images apprend à quoi elles ressemblent. Les projets multiclasses retiennent une seule étiquette par image, tandis que les projets multi-étiquettes en acceptent plusieurs, ce qui convient aux photos contenant plus d'un élément à repérer. Après l'entraînement, chaque prédiction arrive avec une probabilité par étiquette et votre code fixe le seuil.
Détection d'objets avec cadres englobants
Les projets de détection renvoient l'emplacement de chaque occurrence d'une étiquette, pas seulement sa présence. C'est utile pour compter des articles, contrôler une position sur une chaîne de montage ou découper une zone pour une étape suivante. Vous dessinez les cadres dans le portail, et le modèle de détection d'objets entraîné fournit des coordonnées et un score de confiance pour chaque correspondance.
Domaines prédéfinis pour entraîner plus vite
Au lieu de partir d'un modèle général vide, vous choisissez un domaine adapté à un type de contenu : alimentation, monuments, commerce de détail ou une variante compacte pensée pour l'export. Un point de départ plus proche signifie souvent moins d'images pour atteindre une précision utilisable. En contrepartie, les domaines compacts limitent la taille du modèle et ne vont pas aussi loin qu'un domaine complet dans le cloud.
Itérations, métriques et seuils
Chaque entraînement produit une itération nommée que vous pouvez comparer. Le portail affiche précision, rappel et précision moyenne par étiquette, et vous pouvez fixer un seuil de probabilité par étiquette pour arbitrer entre fausses alertes et éléments manqués. La publication d'une itération est une étape séparée, donc une mauvaise expérience ne touche jamais le point de terminaison actif.
Export vers l'edge et conteneurs
Les modèles issus de domaines compacts s'exportent en TensorFlow, CoreML, ONNX ou image Docker pour Linux et Windows. Vous faites alors tourner un identifiant d'images personnalisé hors ligne sur un téléphone, un Raspberry Pi ou un PC industriel. Les modèles exportés n'envoient rien vers l'extérieur, ce qui aide quand les données ne peuvent pas quitter le site.
Portail, SDK et API REST
Le portail web couvre l'étiquetage, l'entraînement et les tests sans écrire de code. Quand vous avez besoin de chaînes reproductibles, l'API REST et les bibliothèques clientes pour .NET, Python, Java et Node.js exécutent les mêmes opérations par programme. Entraînement et prédiction vivent dans des ressources Azure séparées, ce qui permet de garder les essais dans une région bon marché et de servir le trafic depuis la plus proche de vos utilisateurs.
Avantages et inconvénients
Avantages
- Vous passez de photos étiquetées à un point de terminaison opérationnel sans écrire de code d'entraînement.
- L'offre gratuite comprend 2 projets, 1 heure d'entraînement par mois et 10 000 prédictions.
- Les modèles compacts s'exportent vers CoreML, ONNX, TensorFlow et Docker pour une inférence hors ligne.
- Les ressources d'entraînement et de prédiction sont facturées séparément, donc les essais à l'arrêt coûtent peu.
- Facturation, contrôle d'accès et supervision restent dans l'abonnement Azure que vous utilisez déjà.
Inconvénients
- Microsoft retire le service le 25 septembre 2028, chaque déploiement a donc besoin d'un plan de migration.
- La précision s'effondre sur des jeux d'étiquettes petits ou incohérents, et corriger cela demande plus d'étiquetage manuel.
- L'export ne fonctionne qu'avec les domaines compacts, qui abandonnent une partie de la précision des modèles complets dans le cloud.
- Le coût de prédiction suit le trafic à 2 USD pour 1 000 transactions, ce qui pèse sur les applications à fort volume.
Questions fréquentes
Il entraîne des modèles d'image sur vos propres photos étiquetées. Les usages courants comprennent le tri d'images produit, le repérage de défauts sur une ligne de production, la lecture de l'état d'une caméra fixe et l'orientation des fichiers envoyés par les utilisateurs selon leur contenu.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Custom Vision.
Alternatives à Custom Vision
Google EmbeddingGemma 2
Google DeepMind · Rédaction · Image · ProgrammationGoogle EmbeddingGemma 2 est un modèle ouvert de 740 millions de paramètres qui transforme texte, code, images, audio et images vidéo en vecteurs d'un même espace de 768 dimensions, sur un téléphone ou un ordinateur portable.
Tractionwave
TractionWave · Image · MarketingTractionWave produit une carte de chaleur d'attention par IA pour les annonces statiques. Vous déposez un PNG ou un JPG, et vous obtenez l'attention prévue, des points chauds classés et des corrections avant de dépenser.
Imejis.io
Imejis.io · Image · MarketingImejis.io est un studio de design IA pour les agents et les équipes marketing. Vous décrivez une image avec vos mots, l'outil écrit le texte, construit la mise en page, l'adapte à chaque format et exporte le fichier final.