CHOOSE THE RIGHT TOOL

做影像辨識

瑕疵檢測、商品辨識、影像判讀
先判斷這件事該怎麼做，再看有哪些選項。

簡單的，你可以自己做。複雜的，至少先知道該找什麼人、問什麼問題。

9 個查證過的選項 · 其中 0 個不必寫程式就能用

我要做什麼全部處理文件整理會議建立知識庫分析資料做圖與素材讓工作自動跑做影像辨識自己做東西查資料與研究訓練或微調模型

更多篩選：門檻、類型、特性

使用門檻

類型

再篩

這頁怎麼讀：先點上面「我要做什麼」。你會先看到這一類問題真正該先判斷什麼、接著是幾個該問自己的問題，然後才是選項比較與具體工具。每張卡一眼四件事——要不要錢、能不能商用、資料會不會被拿去訓練、還活著嗎。官方沒寫清楚的一律寫「官方資料不足」，不猜、不填、不替廠商美化。這裡沒有排行榜，也沒有「最好的工具」。技術門檻我們會直接標示：可以自己用的，告訴你怎麼開始；需要工程能力的，也直接說。 看不懂廠商講的名詞，可以先跳到技術類型速查；動手前想避開常見的坑，看選工具前先知道這幾件事。

先判斷這件事

做影像辨識瑕疵檢測、商品辨識、影像判讀

先決定判斷的精細度：只要知道良品／不良品是分類、要知道位置是偵測、要量形狀面積是分割——標註成本一個比一個高好幾倍，選錯等級是最常見的浪費。異常樣本少到湊不出訓練集的（多數工廠都是），要走異常偵測而不是分類。最後一定要看授權：這一格的主流方案裡，有的商用要買企業授權，有的完全免費，功能卻差不多。

要找人做，先問這幾題

這一類目前沒有「自己就能開始」的選項——所有選項都需要工程能力。所以這一段不是教你做，是讓你在跟廠商或工程師談的時候，問得出關鍵的那幾題。

資料誰標、標多少張、標錯了誰重標？影像專案的成本大頭通常在標註，不在模型。先講清楚標註工時算誰的，才不會做到一半才發現這筆錢沒人編。
驗收標準是「不能漏」還是「不能誤報」？這兩件事會互相拉扯。瑕疵檢測通常寧可誤報也不能漏檢，商品辨識常常相反。只給一個「準確率 95%」的數字等於沒有驗收標準——要問在誰的資料上、用什麼定義量出來的。
用的是哪個模型、什麼授權？本站的比較表寫過 Ultralytics YOLO 與 RT-DETR 的授權差在哪。你買的是服務，但模型授權的義務可能會跟著落到你身上——要對外販售的產品尤其要先讓法務看過。
模型權重與訓練資料，最後歸誰？程式碼授權跟模型權重授權是兩回事（本站有一張比較表專講這件事）。合約沒寫，換廠商時你可能一張權重都帶不走，等於整個重來。
現場條件變了，重訓算誰的？換料、換燈、換鏡頭、換季節，模型表現就會掉。這一題不先談，通常會在第二年變成爭議。

看到這幾種情況要多問幾句

只說「我們用最新的 AI」，講不出是哪個模型、什麼授權
不願意先在你自己的資料上做一次小規模試跑
準確率只給一個數字，不分漏檢與誤報
合約沒寫模型權重與訓練資料的歸屬

回答這幾題，選項就會收斂

你要的是「是不是」、「在哪裡」、還是「形狀與面積」？標註成本一個比一個高好幾倍。
有多少張標註好的樣本？異常樣本湊不出來的話，要走異常偵測而不是分類。
影像能不能離開公司？產線影像通常不行。
有沒有速度要求？產線節拍容不容得下延遲。
這個專案會不會對外販售？授權在這一格最容易踩雷。

這幾題沒有標準答案，但答不出來就代表還不到選工具的時候。

做物件偵測，YOLO 還是 RT-DETR？

兩者都能做即時偵測、速度同級，但授權天差地別——這是模型不會主動告訴你的事。

	Ultralytics YOLO	RT-DETR
授權	AGPL-3.0（商用多半要買企業授權）	Apache-2.0（可商用、不強制開源）
商用風險	⚠️ 用開源版做成對外產品，可能要開源整套系統	低
速度	官方標榜即時，生態成熟	官方數據 RT-DETR-R18 在 T4 上 217 FPS
生態與教學	非常多，遇到問題好查	相對少，論文與官方 repo 為主
什麼時候選它	研究、內部工具、或願意買企業授權	商用產品且不想處理 AGPL

怎麼選如果是要賣的產品或對外服務，先看 RT-DETR；YOLO 的生態與easy-to-use 是真的好，但那個授權要讓法務點頭才能用。

你現在就能用

不必架伺服器，也不用先學程式

可以直接登入、安裝，或照著教學開始。

這個條件下，目前沒有可以自己直接用的選項。

需要工程或廠商協助

你不一定要自己操作，但該知道它在解什麼問題

這一區不是進階玩家專區。當事情變複雜時，這些內容幫你看懂選型，也幫你知道該跟工程師或廠商確認哪些事。

Ultralytics YOLO

專業任務工具

在影像或影片中即時找出物件位置與類別的模型系列，工業瑕疵檢測最常見的選擇之一。

💰 Free⚖️ ⚠️ AGPL-3.0，商用多半要買企業授權🔒 自架不上傳，資料留在自己的機器📌 活躍（Ultralytics 官方維護）

不適合⚠️ 沒有預算買企業授權、又不打算開源自家系統的商用專案、沒有標註人力的團隊

看完整判斷

最適合

產線即時檢測（要快、能在邊緣裝置跑）、資料不能出廠、必須自己訓練、生態成熟、遇到問題好查

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源版本免費下載；商用要另外購買企業授權。

商用條款

官方 README 說明 AGPL-3.0「perfect for students, researchers, and enthusiasts」，商用另有 Enterprise License，可「bypass the open-source requirements of AGPL-3.0」。白話說：用 AGPL 版做成對外提供的產品或服務，你可能必須把整套系統原始碼一起開源。這是最多人以為「YOLO 免費」而踩到的雷。

資料政策

自行部署，影像不離開你的環境。

放在哪裡跑

Self-hosted、On-prem、Edge

授權

AGPL-3.0（另有商用 Enterprise License）

還活著嗎

維護中活躍（Ultralytics 官方維護）

複查頻率

每 90 天下次複查 2026-12-08自動確認網址存在：2026-09-10

你需要注意

⚠️ AGPL-3.0 授權，商用風險最高的一格
需要大量標註資料
產線換料、換角度、換光源都可能要重新訓練

RT-DETR

專業任務工具

Transformer 架構的即時物件偵測模型（CVPR 2024），官方主張在即時偵測上勝過 YOLO 系列。

💰 Free⚖️ 可商用🔒 自架不上傳，資料留在自己的機器📌 維護狀態未確認

不適合需要大量現成教學與社群支援的新手團隊、沒有 GPU 的環境、沒有標註資料的冷啟動

看完整判斷

最適合

商用產品且不想處理 AGPL 授權、即時偵測且要求精度、已有 PyTorch／PaddlePaddle 技術棧的團隊

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費，成本在 GPU 與標註人力。

商用條款

Apache-2.0 授權，可商用、不強制開源自己的程式碼——這是它與 YOLO 最實際的差別。

資料政策

自行部署，影像不離開你的環境。

放在哪裡跑

Self-hosted、On-prem、Edge官方數據：RT-DETR-R18 在 T4 TensorRT 上約 217 FPS、COCO 46.5 mAP；RT-DETRv2-S 為 48.1 mAP。

授權

Apache-2.0

還活著嗎

維護狀態未確認unclear

複查頻率

每 365 天下次複查 2027-09-09自動確認網址存在：2026-09-10

你需要注意

社群與教學資源比 YOLO 少，遇到問題較難查
需要標註資料與 GPU
官方數據為特定硬體與資料集下的結果，實際場景要自己測

Segment Anything（SAM）

專業任務工具

把影像中的物件切出精確的逐像素輪廓，可用點或框當提示，也能自動分割整張圖。

💰 Free⚖️ 可商用🔒 自架不上傳，資料留在自己的機器📌 活躍（Meta AI 維護）

不適合只需要知道有沒有或在哪裡的需求、運算資源有限的邊緣裝置

看完整判斷

最適合

需要量測面積、長度、形狀的檢測、標註工作的加速（先切輪廓再由人修）

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費，成本在 GPU 與工程人力。

商用條款

官方 repo 說明模型採 Apache-2.0 授權。

資料政策

自行部署，影像不離開你的環境。

放在哪裡跑

Self-hosted、On-prem

授權

Apache-2.0

還活著嗎

維護中活躍（Meta AI 維護）

複查頻率

每 365 天下次複查 2027-09-09自動確認網址存在：2026-09-10

你需要注意

運算成本高於分類與偵測
需要 GPU
低對比或模糊影像的輪廓精度會下降

Anomalib

專業任務工具

工業視覺異常偵測的開源函式庫，收錄多種最新演算法，支援邊緣部署與 OpenVINO 最佳化。

💰 Free⚖️ 可商用🔒 自架不上傳，資料留在自己的機器📌 活躍（Open Edge Platform 維護）

不適合異常樣本充足、定義明確的分類問題、無法容忍誤報的場合、沒有工程人力的團隊

看完整判斷

最適合

異常樣本很少、湊不出分類訓練集的產線、要比較多種異常偵測演算法的評估階段、Intel 硬體上的邊緣推論

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費。

商用條款

Apache-2.0 授權，商用不需付費、不強制開源。

資料政策

自行部署，影像不離開你的環境。

放在哪裡跑

Self-hosted、On-prem、Edge

授權

Apache-2.0

還活著嗎

維護中活躍（Open Edge Platform 維護）

複查頻率

每 365 天下次複查 2027-09-09自動確認網址存在：2026-09-10

你需要注意

異常偵測天生有誤報，要先確認有人願意處理警報
不同演算法在不同產品上的表現差很多，要自己實測
需要工程人力

Hugging Face Hub

外部資源

開放 AI 模型與資料集的平台，官方說明託管超過 200 萬個模型、150 萬個資料集與 150 萬個應用。

💰 Freemium⚖️ ⚠️ 依個別模型而定🔒 官方資料不足，目前無法確認📌 活躍（Hugging Face 官方營運）

不適合不懂技術的一般使用者直接使用、把它當成單一 AI 產品

看完整判斷

最適合

找特定任務的開源模型、查模型說明卡（限制與偏誤）、技術評估與比較

適合誰

研發、資訊／資安、PM

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

基本使用免費，另有 PRO 與 Team／Enterprise 方案。

商用條款

平台可免費使用，但**上面每個模型與資料集有各自的授權**——有的可商用、有的禁止商用、有的要申請。不能因為「在 Hugging Face 上」就當成可自由使用。

資料政策

上傳到公開 repo 的內容是公開的；私有 repo 與企業方案另有安全設定。

放在哪裡跑

SaaS、API、Self-hosted

還活著嗎

維護中活躍（Hugging Face 官方營運）

複查頻率

每 90 天下次複查 2026-12-08自動確認網址存在：2026-09-10

你需要注意

⚠️ 每個模型授權不同，不能一概而論
模型品質參差，公開不等於可用於正式環境
需要工程能力才能實際使用

Detectron2

專業任務工具

Meta AI 的電腦視覺函式庫，涵蓋物件偵測、實例分割、全景分割與姿態估計。

💰 Free⚖️ 可商用🔒 自架不上傳，資料留在自己的機器📌 活躍（Meta AI 維護）

不適合只要單一偵測任務的簡單需求（用更輕的方案）、沒有 GPU 與 ML 工程能力的團隊

看完整判斷

最適合

同時需要偵測與分割的研究或專案、要在既有 PyTorch 技術棧上擴充、需要多種任務共用一套框架

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費。

商用條款

Apache-2.0 授權。

資料政策

自行部署，影像不離開你的環境。

放在哪裡跑

Self-hosted、On-prem

授權

Apache-2.0

還活著嗎

維護中活躍（Meta AI 維護）

複查頻率

每 365 天下次複查 2027-09-09自動確認網址存在：2026-09-10

你需要注意

學習曲線比單一任務的框架陡
需要 GPU 與標註資料
部署到邊緣裝置要另外處理模型轉換

Supervision（Roboflow）

專業任務工具

電腦視覺的周邊工具包：把模型輸出畫成標註、做追蹤計數、轉換資料集格式，與模型無關。

💰 Free⚖️ 可商用🔒 本機執行，影像不外傳📌 活躍（Roboflow 維護）

不適合它不是模型，不會自己辨識任何東西、不寫程式的使用者

看完整判斷

最適合

把偵測模型的輸出變成能看的畫面、車流人流的追蹤、計數、停留時間分析、在 YOLO、COCO、Pascal VOC 等格式之間轉換資料集

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費。

商用條款

MIT 授權。

資料政策

在你自己的環境執行。

放在哪裡跑

Self-hosted、On-prem官方說明與模型無關，可搭配 Ultralytics、Transformers、MMDetection 等框架的輸出。

授權

MIT

還活著嗎

維護中活躍（Roboflow 維護）

複查頻率

每 365 天下次複查 2027-09-09自動確認網址存在：2026-09-10

你需要注意

它是周邊工具，核心辨識能力仍取決於你選的模型
需要 Python 3.10 以上
追蹤與計數的準確度受偵測品質限制

Label Studio

專業任務工具

開源的資料標註平台，支援影像、文字、音訊、影片與時序資料——訓練模型前最花人力的那一段。

💰 Freemium⚖️ 可商用（開源版 Apache-2.0）🔒 自架不上傳，資料留在自己的伺服器📌 活躍（HumanSignal 維護）

不適合不打算訓練模型的團隊、只有幾十筆資料的小專案（用試算表就好）

看完整判斷

最適合

要自己訓練模型前的資料標註、多人協作標註與品質控管、多種資料型態混合的專案

適合誰

研發、品保／製造、數據分析

使用門檻

需要工程能力技術等級 Lv.3

費用細節

開源版免費自架；官方另有雲端與企業版本。

商用條款

官方 repo 說明開源版採 Apache 2.0 授權；另有雲端與企業版本，功能界線要看官方比較頁。

資料政策

自行部署時資料不離開你的環境。

放在哪裡跑

Self-hosted、On-prem、SaaS

授權

Apache-2.0（企業版另計）

還活著嗎

維護中活躍（HumanSignal 維護）

複查頻率

每 90 天下次複查 2026-12-08自動確認網址存在：2026-09-10

你需要注意

⚠️ 標註是專案裡最貴的一段，工具只解決介面問題，人力成本還是要算
多人標註的一致性要另外設計檢核機制
自架要有人維運

timm（PyTorch Image Models）

技術類型

影像模型的標準函式庫，收錄 ResNet、ViT、EfficientNet、ConvNeXt、Swin 等上百個架構與預訓練權重。

💰 Free⚖️ ⚠️ 程式可商用，但權重要個別確認🔒 自架不上傳，資料留在自己的機器📌 活躍（Hugging Face 維護）

不適合⚠️ 直接把預訓練權重用在商業產品卻沒確認權重授權、不寫程式的團隊

看完整判斷

最適合

影像分類與特徵抽取、遷移學習（拿預訓練模型微調自己的資料）、比較不同架構表現的評估階段

適合誰

研發、品保／製造

使用門檻

需要專業部署／開發　需要寫程式技術等級 Lv.4

費用細節

開源免費。

商用條款

官方說明程式碼採 Apache-2.0，但**預訓練權重主要來自 ImageNet，官方註明供非商業研究使用**，部分模型另含專屬預訓練。商用前要逐一確認你要用的那個權重。這是「程式授權 ≠ 模型授權」最典型的例子。

資料政策

本機執行，影像不外傳。

放在哪裡跑

Self-hosted、On-prem

授權

Apache-2.0（程式）／權重依個別模型

還活著嗎

維護中活躍（Hugging Face 維護）

複查頻率

每 90 天下次複查 2026-12-08自動確認網址存在：2026-09-10

你需要注意

⚠️ 權重授權與程式授權不同，商用要逐一確認
需要 GPU 與 ML 工程能力
架構太多，選型本身需要經驗

這個條件下，目前沒有需要工程協助的選項。

還需要什麼

技術類型速查——聽不懂廠商講的名詞時來這裡。　選工具前先知道這幾件事——授權與模型權重的共同坑。　回到全部 88 個選項

收錄的是本站實際查證過官方定價、授權與資料政策的選項（目前 AI 服務 13 · 專業任務工具 47 · 外部資源 16 · 技術類型 12）。卡片上的「人工查核」日期，是我們最後一次真的讀過官方頁面的時間；條款與價格都會改版，要拿去做正式決策前請自己再點一次官方連結確認。發現過期或寫錯，歡迎來信告訴我。