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。
最常見的誤解：程式碼授權 ≠ 模型權重授權
「這個專案是 MIT／Apache 啊」——但你真正要用的是模型權重，而權重常常是另一套條款，甚至禁止商用。
| 程式碼授權 | 權重授權 | 商用能不能直接用 | |
|---|---|---|---|
| F5-TTS | MIT | ⚠CC-BY-NC（非商用） | ❌ 權重不能商用 |
| timm | Apache-2.0 | ⚠多來自 ImageNet，官方註明供非商業研究 | ❌ 要逐一確認個別權重 |
| Surya | Apache-2.0 | ⚠改寫版 AI Pubs Open Rail-M，營收／募資 500 萬美元以下才免費 | △ 看公司規模 |
| CogVideoX | Apache-2.0 | 2B 版 Apache-2.0；⚠5B 版走專屬授權 | △ 看你用哪個版本 |
| FLUX | （權重為主） | ⚠schnell 是 Apache-2.0；dev 系列非商用 | △ 只有 schnell 可直接商用 |
| Wan 2.2 | Apache-2.0 | Apache-2.0 | ✅ 可以 |
怎麼選看到「開源模型」時，養成問兩次的習慣：程式碼什麼授權？權重什麼授權？ 這兩個不一樣是常態不是例外。真的要商用又不想花時間讀條款，優先挑兩邊都是 Apache-2.0 的。
工具怎麼串一個工具做不完，要前一個交給下一個。
影像先給 AI 看：切出要看的區域 → 分類或偵測 → 專家標註校正 → 專家判讀
依據：本頁比較表與各工具卡
有沒有個資、來源准不准拿來訓練，是兩道各自的關卡。
容易斷在：Hugging Face Hub 上公開的模型，不等於能用在正式環境；每個模型授權不同，品質也參差。
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。
林口長庚用十年、約 5,000 張骨盆 X 光訓練 AI：用熱點標出可能受傷處，給急診醫師參考
值得學的是「人機合讀」的分工：AI 負責標出可疑處、提醒人看，最後判斷留給醫師；訓練資料也是院內本來就累積的外傷資料庫。小團隊做影像檢查（例如挑瑕疵）也可以照這個方式：先用自己現場的照片訓練，上線時讓系統提醒人，不要直接下結論。
看完整案例 →已查證臺北榮總用 AI 先圈出腦轉移瘤：醫師手動標註要 30 分鐘以上，AI 約 30 秒
值得學的是訓練資料的來源：加馬刀治療時醫師本來就要做的標註，就是現成的訓練資料；AI 先圈、醫師修正，修正再回去訓練。小團隊也可以先盤點手上「本來就在做的標註或分類」，那往往就是第一批訓練資料；但資料來源一換，就要重新驗證。
看完整案例 →已查證慈濟大學長者健身俱樂部用 AI 影像看深蹲姿勢：給分數與燈號，教練仍在旁邊
AI 適合做「每一下都盯」這種人做不到的重複檢查，用燈號這種一眼看得懂的方式回饋；但判斷要不要停、怎麼調整，交給在場的人。
看完整案例 →已查證農業部把養殖經驗做成 AI：聽水下聲音調投餵，病害照片先給 AI 看再交專家
老手「看水、聽聲音就知道該不該餵」的經驗，可以拆成能量測的訊號（影像、聲音、水波），再讓 AI 學。診斷類的工作讓 AI 先給建議，最後由專家確認。
看完整案例 →全部 5 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。
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
timm（PyTorch Image Models）
模型技術需要工程支援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。
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
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
- 費用
- 開源免費。
- 能不能商用
- ⚠程式可商用，但權重要個別確認
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。 - 資料去哪裡
- 本機執行，影像不外傳。
- 授權
- Apache-2.0（程式）／權重依個別模型
- 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
- ⚠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
Detectron2
專業工具需要工程支援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。
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
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
- 費用
- 開源免費。
- 能不能商用
- 可商用
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
- 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
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
Hugging Face Hub
外部資源需要工程支援開放 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。
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
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
- 費用
- 基本使用免費，另有 PRO 與 Team／Enterprise 方案。
- 能不能商用
- ⚠依個別模型而定
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。 - 資料去哪裡
- 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。
- 授權
- —
- 跑在哪裡
- 雲端服務、自己架
- 能接什麼
- API：有MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠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
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。