Сравнение Пользовательское визуальное распознавание с альтернативными службами Azure

API анализа изображений визуального распознавания ИИ Azure, основанный на базовой модели Флоренции, теперь поддерживает пользовательские модели с возможностью обучения с несколькими выстрелами. Анализ изображений — это отдельное предложение от Azure Пользовательское визуальное распознавание. Используйте это руководство для сравнения двух служб.

Сведения о переносе существующего проекта Пользовательское визуальное распознавание в систему Анализа изображений 4.0 см. в руководстве по миграции.

Обучение пользовательской модели

Вместо Пользовательское визуальное распознавание можно использовать функцию настройки модели анализа изображений 4.0 для создания моделей пользовательских идентификаторов изображений с новейшими технологиями из Azure.

Области	Пользовательское визуальное распознавание	Служба анализа изображений 4.0
Задачи	Обнаружение объектов классификации изображений	Обнаружение объектов классификации изображений
Базовая модель	CNN	Модель преобразователя
Добавление меток	Customvision.ai	AML Studio
Веб-портал	Customvision.ai	Vision Studio
Библиотеки	REST, SDK	REST, пример Python
Минимальные необходимые данные для обучения	15 изображений на категорию	2–5 изображений на категорию
Хранилище данных обучения	Отправлено в службу	Учетная запись хранения BLOB-объектов клиента
Размещение моделей	Облако и edge	Только облачное размещение, размещение пограничных контейнеров для получения
Качество ИИ	контекстные Классификация изображений (максимальная точность, 22 наборов данных) Обнаружение объектов (mAP@50, 59 наборов данных) 2 выстрела 51.47 33,3 3 выстрела 56.73 37,0 5 выстрел 63.01 43,4 10 выстрел 68.95 54,0 full 85.25 76,6	контекстные Классификация изображений (максимальная точность, 22 наборов данных) Обнаружение объектов (mAP@50, 59 наборов данных) 2 выстрела 73.02 49.2 3 выстрела 75.51 61,1 5 выстрел 79.14 68.2 10 выстрел 81.31 75,0 full 90.98 85.4
Цены	Цены на Пользовательское визуальное распознавание	Цены на анализ изображений

Распознавание продуктов

Вместо использования модели Пользовательское визуальное распознавание продукта на полках можно использовать функцию анализа изображений 4.0 Product Recogntion для обучения пользовательских моделей, которые распознают розничные продукты на полках.

Области	Продукты на полках — Пользовательское визуальное распознавание	Распознавание продуктов — API анализа изображений и настройка
Функции	Пользовательское понимание продуктов	Стежка изображений и исправление, предварительно обученное понимание продукта, пользовательское понимание продуктов, сопоставление планограммы
Базовая модель	CNN	Модель преобразователя Флоренции
Добавление меток	Customvision.ai	AML Studio
Веб-портал	Customvision.ai	Vision Studio
Библиотеки	REST, SDK	REST, пример Python
Минимальные необходимые данные для обучения	15 изображений на категорию	2–5 изображений на категорию
Хранилище данных обучения	Отправлено в службу	Учетная запись хранения BLOB-объектов клиента
Размещение моделей	Облако и edge	Только облачное размещение, размещение пограничных контейнеров для получения
Качество ИИ	контекстные Максимальная точность 1, 14 наборов данных 1 выстрел (каталог) 29,4 2 выстрела 57,1 3 выстрела 66,7 5 выстрел 80.8 10 выстрел 86.4 full 94.9	контекстные Максимальная точность 1, 14 наборов данных 1 выстрел (каталог) 86.9 2 выстрела 88.8 3 выстрела 89.8 5 выстрел 90,3 % 10 выстрел 91.0 full 95,4
Цены	Цены на Пользовательское визуальное распознавание	Цены на анализ изображений