比較表同一件事，這幾個工具差在哪。工具名稱點下去，跳到下面的完整介紹。
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。
工具怎麼串一個工具做不完，要前一個交給下一個。
產線挑瑕疵：拍照 → 標註 → 偵測 → 標出來給人看
依據：本頁工具卡＋案例 LG Innotek 基板工廠 AI 視覺檢測（「別人怎麼做」：用鏡頭幫忙挑瑕疵）
這一段只能自己來；壞的太少，就改走異常偵測。
交出去：一批產線照片準了再慢慢放手；驗收一定用你自己的真實照片。
容易斷在：換料、換角度、換燈光，第 3 段就要重新訓練。簽約前問清楚重訓算誰的。
真實案例只放本站逐條查證過來源的案例；「殷鑑」是做壞的例子。
LG Innotek 用 AI 視覺檢測：抽檢人力少九成，數字出自一位未具名人士
讀這類成效數字時，先拆三個限定詞：「最多」還是平均、只限哪個工站、誰說的。小團隊評估視覺檢測廠商時，直接要對方給「平均值、適用工站、誤判件怎麼回到人工」三項，缺一項就不列入比較。
看完整案例 →已查證峰漁用 AI 選魚：良率從 50% 提升到 85%，但系統最後改成半自動
它最誠實的地方是承認初期失敗：系統一開始給的建議「不合實務需求」，改了之後仍不精準，最後才改成半自動化——由 AI 提方案、人結合經驗選一個。
看完整案例 →已查證和碩用「生成出來的瑕疵」訓練檢測 AI——順便蓋了六座虛擬工廠
兩件事都是「把後悔成本從實體挪到虛擬」。但和碩自己的經驗是：先把算力與 MLOps 管線這種基礎建設鋪好，單點應用才做得起來。
看完整案例 →已查證博世瑕疵照片不夠，用 AI 生成約 1.5 萬張瑕疵圖訓練檢測模型
值得學的是生成圖要從真照片長出來：每種瑕疵先收幾十張真的，再用生成補齊數量；模型由人反覆重訓，直到抓瑕疵跟認良品一樣可靠。小廠想做 AI 檢測，可以先把自己產線的好壞照片分類存起來，請廠商用你的照片訓練，上線初期先讓系統提醒人，不要直接剔除。
看完整案例 →已查證虎尾科大學生做芭樂分檢 AI：不拆保麗龍網也能挑瑕疵果，但還沒進集貨場
先問現場「最怕什麼」：農民怕的是設備貴、要換線，所以做成加裝式，只負責前段初篩。導入影像初判前，一定要問漏判率——瑕疵果被判成良品混進去，比多挑掉幾顆好果更麻煩。
看完整案例 →已查證John Deere 讓噴藥機自己認雜草——不是整片田噴，是逐株判斷
AI 判斷的價值不一定是「省人力」，也可以是「省下原本浪費在不需要之處的資源」——這裡省的是藥劑而不是工時。
看完整案例 →要照著做（步驟、提示詞）：找方法
全部 6 個工具每張都是完整介紹：適合誰、費用、能不能商用、資料去哪裡、能接什麼、限制、稜線用在哪。
RT-DETR
專業工具需要工程支援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。
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
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
- 費用
- 開源免費，成本在 GPU 與標註人力。
- 能不能商用
- 可商用
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。 - 資料去哪裡
- 自行部署，影像不離開你的環境。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架、裝在公司內部、邊緣裝置（產線、攝影機旁）
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- 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
Ultralytics YOLO
專業工具需要工程支援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。
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
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
- 費用
- 開源版本免費下載；商用要另外購買企業授權。
- 能不能商用
- ⚠AGPL-3.0，商用多半要買企業授權
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。 - 資料去哪裡
- 自行部署，影像不離開你的環境。
- 授權
- AGPL-3.0（另有商用 Enterprise License）
- 跑在哪裡
- 自己架、裝在公司內部、邊緣裝置（產線、攝影機旁）
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠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
Anomalib
專業工具需要工程支援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。
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
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
- 費用
- 開源免費。
- 能不能商用
- 可商用
Apache-2.0 授權，商用不需付費、不強制開源。 - 資料去哪裡
- 自行部署，影像不離開你的環境。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架、裝在公司內部、邊緣裝置（產線、攝影機旁）
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- 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
Segment Anything（SAM）
專業工具需要工程支援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。
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）
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
- 費用
- 開源免費，成本在 GPU 與工程人力。
- 能不能商用
- 可商用
官方 repo 說明模型採 Apache-2.0 授權。 - 資料去哪裡
- 自行部署，影像不離開你的環境。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- 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
Label Studio
專業工具需要 API／自動化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。
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
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）
- 費用
- 開源版免費自架；官方另有雲端與企業版本。
- 能不能商用
- 可商用（開源版 Apache-2.0）
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。 - 資料去哪裡
- 自行部署時資料不離開你的環境。
- 授權
- Apache-2.0（企業版另計）
- 跑在哪裡
- 自己架、裝在公司內部、雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠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
Supervision（Roboflow）
專業工具需要工程支援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。
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
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
- 費用
- 開源免費。
- 能不能商用
- 可商用
MIT 授權。 - 資料去哪裡
- 在你自己的環境執行。
- 授權
- MIT
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- 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
卡片上的查證日期是我們最後一次讀官方頁面的時間；條款會改，正式使用前請再看一次官方頁。