Histoire des modèles de vision

Qu’est-ce que la vision par ordinateur ?#

Imagine que tu entres dans un magasin où une caméra reconnaît ton visage, analyse ton humeur et te recommande des produits adaptés à tes préférences, le tout en temps réel. Ce n’est pas de la science-fiction, mais une réalité rendue possible par les modèles de vision modernes. Selon un rapport de Fortune Business Insights, la taille du marché mondial de la vision par ordinateur était évaluée à 20,75 milliards de dollars en 2025 et devrait passer de 24,14 milliards de dollars en 2026 à 72,80 milliards de dollars en 2034, témoignant des progrès rapides et de l’adoption croissante de cette technologie dans divers secteurs.

Le domaine de la vision par ordinateur permet aux ordinateurs de détecter, d’identifier et d’analyser des objets dans des images. Comme d’autres domaines liés à l’IA, la vision par ordinateur a évolué rapidement au cours des dernières décennies.

L’histoire de la vision par ordinateur est longue. À ses débuts, les modèles de vision par ordinateur étaient capables de détecter des formes simples et des contours, et se limitaient souvent à des tâches élémentaires comme la reconnaissance de motifs géométriques ou la distinction entre les zones claires et sombres. Aujourd’hui, cependant, les modèles peuvent effectuer des tâches complexes comme la détection d’objets en temps réel, la reconnaissance faciale et même l’interprétation des émotions à partir des expressions du visage, avec une précision et une efficacité exceptionnelles. Cette évolution spectaculaire témoigne des progrès considérables de la puissance de calcul et de la sophistication des algorithmes, ainsi que de la disponibilité d’immenses volumes de données d’entraînement.

Dans cet article, nous allons examiner les étapes clés de l’évolution de la vision par ordinateur. Nous reviendrons sur ses débuts, nous pencherons sur l’impact transformateur des réseaux neuronaux convolutifs (CNN) et étudierons les avancées majeures qui ont suivi.

Les débuts de la vision par ordinateur#

Comme dans d’autres domaines de l’IA, les premiers développements de la vision par ordinateur reposaient sur des travaux de recherche fondamentaux et théoriques. Les travaux pionniers de Lawrence G. Roberts sur la reconnaissance d’objets 3D, consignés dans sa thèse « Machine Perception of Three-Dimensional Solids » au début des années 1960, constituent une étape importante. Ses contributions ont jeté les bases des progrès ultérieurs dans ce domaine.

Les premiers algorithmes : détection des contours#

Les premiers travaux de recherche en vision par ordinateur portaient sur des techniques de traitement d’images, comme la détection des contours et l’extraction de caractéristiques. Des algorithmes comme l’opérateur de Sobel, mis au point à la fin des années 1960, comptaient parmi les premiers à détecter les contours en calculant le gradient de l’intensité de l’image.

Fig 1. Une image illustrant la détection des contours : à gauche, l’objet d’origine, et à droite, sa version avec les contours détectés.

Des techniques comme les détecteurs de contours de Sobel et de Canny ont joué un rôle crucial dans l’identification des limites des objets dans les images, une étape essentielle pour reconnaître les objets et comprendre les scènes.

Apprentissage automatique et vision par ordinateur#

Reconnaissance de formes#

Dans les années 1970, la reconnaissance de formes est devenue un domaine clé de la vision par ordinateur. Les chercheurs ont mis au point des méthodes pour reconnaître les formes, les textures et les objets dans les images, ouvrant la voie à des tâches de vision plus complexes.

Fig 2. Reconnaissance de formes.

L’une des premières méthodes de reconnaissance des formes reposait sur la comparaison de modèles : une image était comparée à un ensemble de modèles pour trouver la meilleure correspondance. Cette approche était limitée par sa sensibilité aux variations d’échelle, de rotation et de bruit.

Fig 3. Un modèle situé à gauche, repéré dans l’image de droite.

Les premiers systèmes de vision par ordinateur étaient limités par la faible puissance de calcul de l’époque. Dans les années 1960 et 1970, les ordinateurs étaient volumineux, coûteux et dotés de capacités de traitement limitées.

Le Deep Learning change la donne#

Deep Learning et réseaux neuronaux convolutifs#

Le Deep Learning et les réseaux neuronaux convolutifs (CNN) ont marqué un tournant dans le domaine de la vision par ordinateur. Ces avancées ont profondément transformé la façon dont les ordinateurs interprètent et analysent les données visuelles, permettant une grande variété d’applications auparavant considérées comme impossibles.

Comment fonctionnent les CNN ?#

Fig 4. Architecture d’un réseau neuronal convolutif (CNN).

1. Couches convolutionnelles : les CNN utilisent des couches convolutionnelles pour parcourir une image à l’aide de filtres ou de noyaux. En glissant sur l’image et en calculant des produits scalaires, ces filtres détectent différentes caractéristiques, comme les contours, les textures et les couleurs. Chaque filtre s’active pour certains motifs de l’image, ce qui permet au modèle d’apprendre des caractéristiques hiérarchiques.
2. Fonctions d’activation : après la convolution, des fonctions d’activation comme ReLU (unité linéaire rectifiée), qui renvoie directement l’entrée si elle est positive et zéro dans le cas contraire, introduisent de la non-linéarité. Cela aide le réseau à apprendre des motifs et des représentations complexes.
3. Couches de pooling : les couches de pooling effectuent un sous-échantillonnage qui réduit la dimensionnalité de la carte de caractéristiques. Elles aident à extraire les caractéristiques les plus pertinentes tout en réduisant le coût de calcul et le surapprentissage.
4. Couches entièrement connectées : les dernières couches d’un CNN sont entièrement connectées. Elles interprètent les caractéristiques extraites par les couches convolutives et de pooling afin de produire des prédictions. Elles sont similaires à celles des réseaux neuronaux traditionnels.

Évolution des modèles de vision CNN#

L’évolution des modèles de vision basés sur les CNN comprend plusieurs architectures remarquables :

• LeNet (1989) : LeNet était l’une des premières architectures CNN, principalement utilisée pour reconnaître les chiffres manuscrits sur les chèques. Son succès a jeté les bases de CNN plus complexes et démontré le potentiel du Deep Learning pour le traitement d’images.
• AlexNet (2012) : AlexNet a largement surpassé les modèles existants lors du concours ImageNet, démontrant la puissance du Deep Learning. Ce modèle utilisait les activations ReLU, le dropout et l’augmentation des données, établissant de nouvelles références en classification d’images et suscitant un intérêt généralisé pour les CNN.
• VGGNet (2014) : grâce à l’utilisation de filtres convolutifs plus petits (3x3), VGGNet a obtenu des résultats impressionnants en classification d’images et confirmé l’importance de la profondeur du réseau pour améliorer la précision.
• ResNet (2015) : ResNet a résolu le problème de dégradation des réseaux profonds en introduisant l’apprentissage résiduel. Cette innovation a permis d’entraîner des réseaux beaucoup plus profonds et d’obtenir des performances de pointe dans diverses tâches de vision par ordinateur.
• YOLO (You Only Look Once) : YOLO a transformé la détection d’objets en la formulant comme un problème de régression unique, qui prédit directement les boîtes englobantes et les probabilités de classe à partir d’images complètes en une seule évaluation. Cette approche a permis la détection d’objets en temps réel à grande vitesse et avec une grande précision, la rendant adaptée aux applications nécessitant un traitement instantané, comme la conduite autonome et la surveillance.

Applications de la vision par ordinateur#

Santé#

Les applications de la vision par ordinateur sont nombreuses. Par exemple, des modèles de vision comme Ultralytics YOLOv8 sont utilisés en imagerie médicale pour détecter des maladies comme le cancer et la rétinopathie diabétique. Ils analysent les radiographies, les IRM et les scanners avec une grande précision, ce qui permet de repérer rapidement les anomalies. Cette capacité de détection précoce permet d’intervenir à temps et d’améliorer les résultats pour les patients.

Fig 5. Détection d’une tumeur cérébrale à l’aide d’Ultralytics YOLOv8.

Protection de l’environnement#

Les modèles de vision par ordinateur aident à surveiller et à protéger les espèces menacées en analysant les images et les vidéos de leurs habitats. Ils identifient les animaux et suivent leur comportement, fournissant des données sur leurs populations et leurs déplacements. Cette technologie éclaire les stratégies de conservation et les décisions politiques visant à protéger des espèces comme les tigres et les éléphants.

Grâce à l’IA visuelle, d’autres menaces environnementales, comme les incendies de forêt et la déforestation, peuvent être surveillées, ce qui permet aux autorités locales d’intervenir rapidement.

Fig 6. Image satellite d’un incendie de forêt.

Défis et perspectives#

Malgré leurs réalisations remarquables, les modèles de vision restent confrontés à de nombreux défis en raison de leur complexité et des exigences importantes liées à leur développement. Ces défis nécessitent des recherches continues.

Interprétabilité et explicabilité#

Les modèles de vision, en particulier ceux fondés sur l’apprentissage profond, sont souvent considérés comme des « boîtes noires » peu transparentes en raison de leur grande complexité. Ce manque d’interprétabilité nuit à la confiance et à la responsabilité, en particulier dans des applications critiques comme la santé.

Besoins en calcul#

L’entraînement et le déploiement de modèles d’IA de pointe nécessitent d’importantes ressources de calcul. C’est particulièrement vrai pour les modèles de vision, qui doivent souvent traiter de grandes quantités d’images et de vidéos. Les images et vidéos haute définition comptent parmi les données d’entraînement les plus volumineuses et alourdissent la charge de calcul. Par exemple, une seule image HD peut occuper plusieurs mégaoctets de stockage, ce qui rend l’entraînement gourmand en ressources et chronophage.

Il faut donc du matériel puissant et des algorithmes de vision par ordinateur optimisés pour traiter les grandes quantités de données et les calculs complexes nécessaires au développement de modèles de vision efficaces. La recherche sur des architectures plus efficaces, la compression des modèles et les accélérateurs matériels comme les GPU et les TPU est essentielle pour faire progresser les modèles de vision.

Ces améliorations visent à réduire les besoins en calcul et à accroître l’efficacité du traitement. De plus, l’utilisation de modèles préentraînés avancés comme Ultralytics YOLOv8 et ses successeurs, tels que Ultralytics YOLO26, peut réduire considérablement le besoin d’un entraînement approfondi, rationalisant ainsi le processus de développement et améliorant son efficacité.

Un domaine en constante évolution#

Aujourd’hui, les modèles de vision sont largement utilisés, de la santé, par exemple pour détecter des tumeurs, aux applications courantes comme la surveillance du trafic. Ces modèles avancés ont favorisé l’innovation dans d’innombrables secteurs en offrant une précision, une efficacité et des capacités améliorées qui étaient auparavant hors de portée.

À mesure que la technologie progresse, le potentiel des modèles de vision à améliorer divers aspects de la vie et de l’industrie ne cesse de croître. Cette évolution continue souligne l’importance de poursuivre la recherche et le développement dans le domaine de la vision par ordinateur.

Tu t’interroges sur l’avenir de la vision par IA ? Pour en savoir plus sur les dernières avancées, explore les Ultralytics Docs et découvre nos projets sur le GitHub d’Ultralytics et le GitHub de YOLOv8. Pour découvrir des applications de l’IA dans différents secteurs, les pages de solutions sur les voitures autonomes et la fabrication sont particulièrement utiles.