Google Cloud Vision Auto ML 和 Google Tensor Flow 有什么区别？
https://cloud.google.com/vision/automl/docs/train
https://www.tensorflow.org/hub/tutorials/object_detection
它们都来自同一家公司，并进行 API 对象检测，允许用户训练图像模型，允许用户在 python 中编码。 Google Cloud AutoML 是否在后台使用 Google Tensorflow，只是在云模型中，因此用户不需要下载软件？
只是试图理解这两个组件。
谷歌云自动机器学习
【问题讨论】：
标签： python tensorflow machine-learning google-cloud-platform google-cloud-vision
Google Cloud AutoML Vision 在 Google Cloud Platform 上运行，而 Google TensorFlow Object Detection 在 Google Colab 上运行。
主要区别很少。我将尝试在这里介绍最重要的：
Colab 实例会话在 12 hours 之后超时，其中自定义 AutoML 视觉模型的最长生命周期为 18 months。
Colab 在 Google Drive 上运行，其基本版本是 free，其中 AutoML 视觉成本为 $3.15 per node hour。
注意：“您可以免费试用 AutoML Vision Object Detection，每个计费帐户分别使用 40 个免费节点小时用于训练和在线预测，以及 1 个免费节点小时用于批量预测。”
Colab 轻松验证并拥有 pre-built connectors，其中 AutoML 与 Google Cloud Platform 完全集成。
Colab 是一款没有任何企业支持的消费产品，AutML vision 有enterprise support 来解决您的所有问题和疑问。
对于最高级别的编程控制，您最好使用 TensorFlow 创建自定义对象检测模型。可以在here 找到一些示例。为了缩短生产时间，客户可以使用迁移学习并使用TensorFlow Hub 中可用的模型架构之一，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精细控制，因此您将无法以编程方式调整生成的模型。 AutoML 使用 Neural Architecture Search 为手头的任务设计最佳神经网络。这种方法更快，因为所需要的只是训练数据和为其构建神经网络的任务。你可以找到更多details and examples on AutoML Vision。
如果您想使用现成的 API（对模型本身进行零自定义），他们可以直接利用 Vision API。该 API 为常见任务（例如对象检测、OCR 等）提供预测，并且无需控制，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 那样重新训练。有关 Vision API 和 AutoML Vision 之间区别的更多详细信息，请参阅here。
关于哪种产品在对象检测方面做得更好 - 您应该自己进行实验，看看哪种产品最适合您的需求。
最后对于程序控制的递增顺序，如下：
Vision API > AutoML Vision > TensorFlow (with transfer learning) > TensorFlow (custom model)
【讨论】：