Les meilleurs modèles de détection d’objets

Plus tôt cette année, Andrew Ng, pionnier de l’IA et de l’apprentissage automatique, a présenté le concept de détection d’objets agentique. Cette approche utilise un agent de raisonnement pour détecter des objets à partir d’une invite textuelle, sans nécessiter de grandes quantités de données d’entraînement.

Pouvoir identifier des objets dans des images et des vidéos sans avoir besoin de vastes jeux de données annotés constitue une étape vers des systèmes de vision par ordinateur plus intelligents et plus flexibles. Cependant, l’IA de vision agentique n’en est encore qu’à ses débuts.

Bien qu’ils puissent gérer des tâches générales, comme détecter des personnes ou des panneaux de signalisation dans une image, les applications de vision par ordinateur plus précises reposent encore sur des modèles traditionnels de détection d’objets. Ces modèles sont entraînés sur de grands jeux de données soigneusement annotés afin d’apprendre exactement ce qu’ils doivent rechercher et où se trouvent les objets.

Fig. 1. Exemple de détection d’objets. (Source)

La détection d’objets traditionnelle est essentielle, car elle fournit à la fois la reconnaissance, qui identifie la nature de l’objet, et la localisation, qui détermine précisément où il se trouve dans l’image. Cette combinaison permet aux machines d’effectuer de manière fiable des tâches complexes du monde réel, des véhicules autonomes à l’automatisation industrielle et au diagnostic médical.

Grâce aux avancées technologiques, les modèles de détection d’objets continuent de progresser : ils deviennent plus rapides, plus précis et mieux adaptés aux environnements réels. Dans cet article, nous allons passer en revue certains des meilleurs modèles de détection d’objets actuellement disponibles. C’est parti !

Pourquoi la détection d’objets est nécessaire#

Les tâches de vision par ordinateur, comme la classification d’images, peuvent servir à déterminer si une image contient une voiture, une personne ou un autre objet. Cependant, elles ne peuvent pas déterminer où l’objet se trouve dans l’image.

C’est là que la détection d’objets peut s’avérer utile. Les modèles de détection d’objets peuvent identifier les objets présents et déterminer précisément où ils se trouvent. Ce processus, appelé localisation, permet aux machines de comprendre les scènes avec davantage de précision et de réagir de manière appropriée, qu’il s’agisse d’arrêter une voiture autonome, de guider un bras robotique ou de mettre en évidence une zone sur une image médicale.

L’essor de l’apprentissage profond a transformé la détection d’objets. Au lieu de s’appuyer sur des règles codées manuellement, les modèles modernes apprennent directement des motifs à partir des annotations et des données visuelles. Ces jeux de données enseignent aux modèles à quoi ressemblent les objets, où ils apparaissent généralement et comment gérer des difficultés telles que les petits objets, les scènes encombrées ou les variations de luminosité.

En fait, les systèmes de détection d’objets de pointe peuvent détecter avec précision plusieurs objets à la fois. La détection d’objets devient ainsi une technologie essentielle dans des applications comme la conduite autonome, la robotique, la santé et l’automatisation industrielle.

Fonctionnement des tâches de détection d’objets#

L’entrée d’un modèle de détection d’objets est une image, qui peut provenir d’une caméra, d’une image vidéo ou même d’un scanner médical. L’image d’entrée est traitée par un réseau neuronal, généralement un réseau neuronal convolutif (CNN), entraîné à reconnaître des motifs dans les données visuelles.

À l’intérieur du réseau, l’image est analysée par étapes. En fonction des caractéristiques qu’il détecte, le modèle prédit quels objets sont présents et où ils apparaissent.

Ces prédictions sont représentées à l’aide de boîtes englobantes, c’est-à-dire des rectangles tracés autour de chaque objet détecté. Pour chaque boîte englobante, le modèle attribue une étiquette de classe (par exemple, voiture, personne ou chien) et un score de confiance indiquant son degré de certitude quant à la prédiction (ce score peut également être considéré comme une probabilité).

Fig. 2. Les prédictions de détection d’objets peuvent être visualisées à l’aide de boîtes englobantes.

Le processus global repose largement sur l’extraction de caractéristiques. Le modèle apprend à identifier des motifs visuels utiles, comme les contours, les formes, les textures et d’autres caractéristiques distinctives. Ces motifs sont encodés dans des cartes de caractéristiques, qui aident le réseau à comprendre l’image à plusieurs niveaux de détail.

Détection d’objets : en deux étapes ou en une seule étape#

Selon l’architecture du modèle, les détecteurs d’objets utilisent différentes stratégies pour localiser les objets, en équilibrant vitesse, précision et complexité.

De nombreux modèles de détection d’objets, notamment les détecteurs en deux étapes comme Faster R-CNN, se concentrent sur des parties spécifiques de l’image appelées régions d’intérêt (ROIs). En se concentrant sur ces zones, le modèle donne la priorité aux régions susceptibles de contenir des objets plutôt que d’analyser chaque pixel de la même manière.

À l’inverse, les modèles en une seule étape, comme les premiers modèles YOLO, ne sélectionnent pas de ROIs spécifiques contrairement aux modèles en deux étapes. Ils divisent plutôt l’image en une grille et utilisent des boîtes prédéfinies, appelées boîtes d’ancrage, ainsi que des cartes de caractéristiques pour prédire les objets sur l’ensemble de l’image en un seul passage.

Aujourd’hui, les modèles de détection d’objets de pointe explorent des approches sans ancres. Contrairement aux modèles traditionnels en une seule étape qui reposent sur des boîtes d’ancrage prédéfinies, les modèles sans ancres prédisent directement les positions et les tailles des objets à partir des cartes de caractéristiques. Cela peut simplifier l’architecture, réduire la surcharge de calcul et améliorer les performances, notamment pour détecter des objets de formes et de tailles variées.

Présentation des meilleurs modèles de détection d’objets#

Il existe aujourd’hui de nombreux modèles de détection d’objets, chacun étant conçu pour répondre à des objectifs précis. Certains sont optimisés pour les performances en temps réel, tandis que d’autres privilégient la meilleure précision possible. Le choix du modèle adapté à une solution de vision par ordinateur dépend souvent de ton cas d’usage particulier et de tes exigences en matière de performances.

Voyons maintenant certains des meilleurs modèles de détection d’objets de 2026.

1. Modèles YOLO d’Ultralytics#

L’une des familles de modèles de détection d’objets les plus utilisées aujourd’hui est la famille de modèles YOLO d’Ultralytics. YOLO, qui signifie You Only Look Once, est populaire dans de nombreux secteurs, car il offre de bonnes performances de détection tout en étant rapide, fiable et facile à utiliser.

La famille YOLO d’Ultralytics comprend Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 et le prochain Ultralytics YOLO26, offrant un éventail d’options pour répondre à différents besoins en matière de performances et de cas d’usage. Grâce à leur conception légère et à l’optimisation de leur vitesse, les modèles YOLO d’Ultralytics sont idéaux pour la détection en temps réel et peuvent être déployés sur des appareils edge disposant de ressources de calcul et de mémoire limitées.

Fig. 3. Utilisation d’Ultralytics YOLO11 pour la détection d’objets (Source)

Au-delà de la détection d’objets de base, ces modèles sont très polyvalents. Ils prennent également en charge des tâches comme la segmentation d’instances, qui délimite les objets au niveau du pixel, et l’estimation de pose, qui identifie les points clés sur des personnes ou des objets. Cette flexibilité fait des modèles YOLO d’Ultralytics une option de référence pour un large éventail d’applications, de l’agriculture et de la logistique au commerce de détail et à la fabrication.

Une autre raison essentielle de la popularité des modèles YOLO d’Ultralytics est le package Python d’Ultralytics, qui fournit une interface simple et conviviale pour entraîner, affiner et déployer des modèles. Les développeurs peuvent commencer avec des poids préentraînés, personnaliser les modèles pour leurs propres jeux de données et les déployer avec seulement quelques lignes de code.

2. RT-DETR et RT-DETRv2#

RT‑DETR (Transformateur de détection en temps réel) et le plus récent RT‑DETRv2 sont des modèles de détection d’objets conçus pour une utilisation en temps réel. Contrairement à de nombreux modèles traditionnels, ils peuvent prendre une image en entrée et fournir directement les détections finales sans utiliser la suppression des non-maxima (NMS).

La NMS est une étape qui supprime les boîtes superposées supplémentaires lorsqu’un modèle prédit plusieurs fois le même objet. Ignorer la NMS simplifie et accélère le processus de détection.

Ces modèles combinent des CNN et des Transformer. Le CNN détecte les détails visuels comme les contours et les formes, tandis que le Transformer est un type de réseau neuronal capable d’examiner l’image entière en une fois et de comprendre les relations entre ses différentes parties. Cette compréhension globale permet au modèle de détecter des objets proches les uns des autres ou qui se chevauchent.

RT‑DETRv2 améliore le modèle original grâce à des fonctionnalités comme la détection multi-échelle, qui aide à repérer les objets petits et grands, ainsi qu’à une meilleure gestion des scènes complexes. Ces changements permettent de conserver la rapidité du modèle tout en améliorant sa précision.

3. RF-DETR#

RF‑DETR est un modèle en temps réel basé sur un Transformer, conçu pour combiner la précision des architectures Transformer avec la rapidité nécessaire aux applications du monde réel. Comme RT‑DETR et RT‑DETRv2, il utilise un Transformer pour analyser l’image entière et un CNN pour extraire des caractéristiques visuelles fines, comme les contours, les formes et les textures.

Le modèle prédit directement les objets à partir de l’image d’entrée, en ignorant les boîtes d’ancrage et la suppression des non-maxima, ce qui simplifie le processus de détection et permet de conserver une inférence rapide. RF‑DETR prend également en charge la segmentation d’instances, ce qui lui permet de délimiter les objets au niveau du pixel en plus de prédire des boîtes englobantes.

4. EfficientDet#

Lancé fin 2019, EfficientDet est un modèle de détection d’objets conçu pour une mise à l’échelle efficace et de hautes performances. Ce qui distingue EfficientDet est la mise à l’échelle composée, une méthode qui ajuste simultanément la résolution d’entrée, la profondeur du réseau et sa largeur, plutôt que de ne modifier qu’un seul facteur. Cette approche aide le modèle à maintenir une précision stable, qu’il soit mis à l’échelle pour des tâches hautes performances ou réduit pour des déploiements légers.

Un autre composant essentiel d’EfficientDet est son réseau pyramidal de caractéristiques (FPN) efficace, qui permet au modèle d’analyser les images à plusieurs échelles. Cette analyse multi-échelle est essentielle pour détecter des objets de différentes tailles et permet à EfficientDet d’identifier de manière fiable les objets petits et grands dans une même image.

5. PP-YOLOE+#

Lancé en 2022, PP-YOLOE+ est un modèle de détection d’objets de type YOLO, c’est-à-dire qu’il détecte et classe les objets en un seul passage sur l’image. Cette approche le rend rapide et adapté aux applications en temps réel, tout en conservant une grande précision.

L’une des principales améliorations de PP-YOLOE+ est l’apprentissage aligné sur la tâche, qui aide les scores de confiance du modèle à refléter la précision de la localisation des objets. Cela est particulièrement utile pour détecter les objets petits ou qui se chevauchent.

Fig. 4. Détection d’objets avec PP-YOLOE+ (Source)

Le modèle utilise également une architecture à tête découplée, qui sépare les tâches de prédiction des positions des objets et des étiquettes de classe. Cela lui permet de tracer des boîtes englobantes plus précises tout en classant correctement les objets.

6. GroundingDINO#

GroundingDINO est un modèle de détection d’objets basé sur un Transformer qui combine vision et langage. Au lieu de s’appuyer sur un ensemble fixe de catégories, il permet aux utilisateurs de détecter des objets à l’aide d’invites en langage naturel.

En alignant les caractéristiques visuelles d’une image avec des descriptions textuelles, le modèle peut localiser des objets même si ces étiquettes exactes ne figuraient pas dans ses données d’entraînement. Tu peux ainsi fournir au modèle des descriptions comme « une personne portant un casque » ou « une voiture rouge près d’un bâtiment », et il générera des boîtes englobantes précises autour des objets correspondants.

De plus, grâce à la prise en charge de la détection zero-shot, GroundingDINO réduit la nécessité de réentraîner ou d’affiner le modèle pour chaque nouveau cas d’usage, ce qui le rend très flexible dans un large éventail d’applications. Cette combinaison de compréhension du langage et de reconnaissance visuelle ouvre de nouvelles possibilités pour les systèmes d’IA interactifs et adaptatifs.

Métriques courantes utilisées pour évaluer les détecteurs d’objets#

Lorsque tu compares différents modèles de détection d’objets, tu peux te demander comment déterminer lequel offre réellement les meilleures performances. C’est une bonne question, car au-delà de l’architecture du modèle et de la qualité de tes données, de nombreux facteurs peuvent influencer les performances.

Les chercheurs s’appuient souvent sur des benchmarks partagés et des métriques de performance standard pour évaluer les modèles de manière cohérente, comparer les résultats et comprendre les compromis entre vitesse et précision. Les benchmarks standard sont particulièrement importants, car de nombreux modèles de détection d’objets sont évalués sur les mêmes jeux de données, comme le jeu de données COCO.

Mesurer la précision et la vitesse de détection#

Voici un aperçu de quelques métriques courantes utilisées pour évaluer les modèles de détection d’objets :

• Intersection sur union (IoU) : cette métrique mesure le degré de chevauchement entre une boîte englobante prédite et l’objet réel dans une image. Elle compare la boîte tracée par le modèle avec la boîte de vérité terrain, qui correspond à la position de l’objet telle qu’elle est annotée dans le jeu de données. L’IoU est calculée en divisant la surface de chevauchement par la surface d’union des deux boîtes. Un IoU élevé indique que le modèle positionne la boîte avec davantage de précision, tandis qu’un IoU faible signifie que la prédiction est moins précise. En termes simples, l’IoU indique à quel point les prédictions du modèle correspondent aux véritables positions des objets.
• Précision moyenne moyenne (mAP) : il s’agit de la principale métrique utilisée pour évaluer les performances globales en détection d’objets. Elle tient compte à la fois du nombre d’objets correctement détectés par le modèle et de la précision de ces détections pour différents niveaux de confiance et catégories d’objets.
• Images par seconde (FPS) et latence : les FPS indiquent combien d’images ou d’images vidéo un modèle peut traiter en une seconde. Par exemple, un modèle fonctionnant à 30 FPS peut traiter 30 images par seconde. Des FPS plus élevés signifient que le système peut réagir plus rapidement, ce qui est important pour des cas d’usage comme la vidéo en direct, la surveillance du trafic ou la robotique. La latence, quant à elle, mesure le temps nécessaire au modèle pour traiter une seule image ou une seule trame, du moment où il la reçoit jusqu’à ce que le résultat soit prêt.

Avantages et inconvénients des algorithmes de détection d’objets#

Voici quelques-uns des principaux avantages de l’utilisation de modèles de détection d’objets dans des applications du monde réel :

• S’adapte à de nombreux secteurs : la détection d’objets peut être appliquée à un large éventail de cas d’usage, de la surveillance du trafic et de l’analyse du commerce de détail à la santé, l’agriculture et la fabrication.
• Réduit les efforts manuels : l’automatisation des tâches d’inspection et de surveillance visuelles diminue le besoin d’une supervision humaine constante et aide les équipes à se concentrer sur des activités à plus forte valeur ajoutée.
• Bénéficie des écosystèmes open source : les communautés open source actives et les ressources disponibles sur GitHub facilitent l’accès aux modèles préentraînés, l’expérimentation et la personnalisation des solutions.

Malgré ces avantages, certaines limites pratiques peuvent affecter les performances des modèles de détection d’objets. Voici quelques facteurs essentiels à prendre en compte :

• Exigences en matière de données de haute qualité : les modèles de détection d’objets dépendent de grands jeux de données correctement annotés pour leur entraînement. La création et la maintenance de ces données peuvent prendre du temps, coûter cher et être difficiles à mettre à l’échelle.
• Besoins en calcul : les modèles offrant une meilleure précision de détection nécessitent souvent une puissance de traitement importante, aussi bien pendant l’entraînement que lors du déploiement en temps réel. Cela implique généralement d’utiliser des GPU hautes performances, ce qui peut augmenter les coûts d’infrastructure.
• Sensibilité aux conditions réelles : les variations d’éclairage, d’angle de caméra et de météo, ainsi que les scènes très fréquentées, peuvent affecter les performances de détection, ce qui rend nécessaires des tests et des réglages continus.

Points clés à retenir#

Le meilleur modèle de détection d’objets pour ton projet de vision par ordinateur dépend de ton cas d’usage, de la configuration de tes données, de tes exigences en matière de performances et des contraintes de ton matériel. Certains modèles sont optimisés pour la vitesse, tandis que d’autres privilégient la précision, et la plupart des applications du monde réel nécessitent un équilibre entre les deux. Grâce aux frameworks open source et aux communautés actives sur GitHub, ces modèles sont de plus en plus faciles à évaluer, adapter et déployer pour des usages pratiques.

Pour en savoir plus, consulte notre dépôt GitHub. Rejoins notre communauté et consulte nos pages de solutions pour découvrir des applications comme l’IA dans le secteur de la santé et la vision par ordinateur dans l’industrie automobile. Découvre nos options de licence pour commencer dès aujourd’hui avec l’IA de vision.