Python Google Cloud Vision AutoML和TensorFlow对象检测差异

Google Cloud Vision Auto ML和Google Tensor Flow之间有什么区别

它们都是由同一家公司生产的，并执行API对象检测，允许用户训练图像模型，允许用户使用python编写代码。Google Cloud AutoML是否只在云模型中使用Google Tensorflow，所以用户不需要下载软件

只是试着理解这两个部分

googlecloudautoml

谷歌云在谷歌云平台上运行，谷歌在谷歌Colab上运行

主要的区别不多。我将在这里介绍最重要的内容：

Colab实例会话在自定义AutoML vision模型的最大生存期达到后超时

Colab在上运行，其基本版本是AutoML vision的成本

注意：“您可以免费尝试AutoML Vision对象检测，每个计费帐户使用40个免费节点小时用于培训和在线预测，1个免费节点小时用于批量预测。”

Colab易于身份验证，并且具有AutoML与Google云平台完全集成的功能

Colab是一种没有任何企业支持的消费产品，AutML vision必须解决您的所有问题和疑问

---

• 为了实现最高级别的编程控制，最好使用TensorFlow创建自定义对象检测模型。可以找到一些例子。为了缩短生产时间，客户可以使用转移学习，并在中使用一种可用的模型体系结构，或从其他来源下载模型权重

• 另一方面，AutoML Vision不提供对模型构建的细粒度控制，因此您将无法以编程方式优化生成的模型。AutoML使用神经网络为手头的任务设计最优的神经网络。这种方法的速度更快，因为所需要的只是训练数据和任务，以便为其构建神经网络。你可以找到更多

• 如果您想使用现成的API（对模型本身没有定制），它们可以直接利用。该API为常见任务（如对象检测、OCR等）提供预测服务，不允许进行控制，而无需携带任何数据或训练任何ML模型。这里的缺点是API背后的模型是静态的，不能像AutoML Vision那样进行重新训练。有关Vision API和AutoML Vision之间差异的更多详细信息，请参见

• 关于什么样的产品在目标检测方面做得更好，你应该自己做实验，看看哪个产品最适合你的需要

最后，对于增加编程控制的顺序，如下所示：

---

Vision API>AutoML Vision>TensorFlow（带转移学习）>TensorFlow（自定义模型）

有趣，因此您注意到了会话时间小时数、每小时成本节点和客户支持方面的差异；产品方面的功能差异是什么？是否有一种产品做得更好，或有更多的功能，在做良好的物体检测？还是产品方面，大致相同？一种产品是否允许在软件设计中进行更多定制？再次感谢像我这样的软件开发人员，更重要的是，在软件设计中，有一种产品允许更多的编程和定制吗？我还会有同样水平的编程控制吗？@mattsmith5编辑了我的答案，涵盖了你们所有的后续问题。谢谢，请随意回答这个问题