Hinweis: Azure AI Custom Vision wird eingestellt. Die Erstellung neuer Training-Ressourcen ist nicht mehr möglich. Microsoft empfiehlt die Migration zu Azure AI Vision mit Image Analysis 4.0 (Florence-Modell), das Custom Vision-Funktionalität mit deutlich verbesserter Leistung bietet.
Was ist Azure AI Custom Vision?
Azure AI Custom Vision ist ein Service zum Training eigener Computer-Vision-Modelle ohne tiefgehende ML-Kenntnisse. Sie laden Bilder hoch, labeln diese mit Kategorien oder Bounding Boxes und trainieren ein Modell, das Ihre spezifischen Objekte erkennt. Der Service nutzt Transfer Learning, um mit wenigen Bildern gute Ergebnisse zu erzielen.
Custom Vision bietet zwei Modi: Bildklassifizierung ordnet ein Bild einer oder mehreren Kategorien zu. Objekterkennung lokalisiert Objekte im Bild mit Bounding Boxes und Konfidenzwerten. Trainierte Modelle können in der Cloud gehostet oder als kompakte Modelle für Edge-Geräte exportiert werden.
Kernfunktionen
- Bildklassifizierung für Single-Label und Multi-Label
- Objekterkennung mit Bounding Boxes
- Transfer Learning für schnelles Training mit wenigen Bildern
- Export für Edge-Deployment (ONNX, TensorFlow, CoreML)
- Iteratives Training mit Performance-Metriken
Typische Anwendungsfälle
Fertigungsunternehmen setzen Custom Vision für automatisierte Qualitätskontrolle ein. Kameras an der Produktionslinie erkennen Defekte, falsche Montage oder fehlende Komponenten in Echtzeit.
Einzelhändler nutzen Objekterkennung für Regalanalyse. Modelle erkennen Produkte, Out-of-Stock-Situationen und Planogramm-Abweichungen aus Kamerabildern.
Medizintechnik-Unternehmen entwickeln Screening-Tools für Hautläsionen, Röntgenbilder oder mikroskopische Proben. Custom Vision beschleunigt die Entwicklung von Prototypen.
Vorteile
- Keine ML-Expertise erforderlich
- Training in Minuten statt Tagen
- Flexible Deployment-Optionen (Cloud und Edge)
- Kontinuierliche Verbesserung durch iteratives Training
Integration mit innFactory
Als Microsoft Solutions Partner unterstützt innFactory Sie bei Azure AI Custom Vision: Use-Case-Analyse, Datenstrategie, Modelltraining und Produktionsintegration.
Typische Anwendungsfälle
Häufig gestellte Fragen
Wie viele Bilder brauche ich zum Training?
Mindestens 15 Bilder pro Klasse, empfohlen sind 50+. Je mehr Variation in den Trainingsbildern (Beleuchtung, Winkel, Hintergrund), desto robuster das Modell.
Was ist der Unterschied zwischen Classification und Object Detection?
Classification ordnet ein ganzes Bild einer Kategorie zu. Object Detection findet und lokalisiert mehrere Objekte im Bild mit Bounding Boxes. Wählen Sie basierend auf Ihrem Use Case.
Kann ich Modelle auf Edge-Geräten ausführen?
Ja, exportieren Sie Modelle als ONNX, TensorFlow, CoreML oder Docker-Container für Offline-Inferenz auf IoT-Geräten, Mobilgeräten oder lokalen Servern.
Wie integriere ich Custom Vision in meine Anwendung?
Via REST API oder SDKs für C#, Python, Java. Für Produktion empfehlen wir Azure Functions oder Container Apps für Skalierung.
