Choisir un fournisseur de vision par ordinateur : un guide d'achat pour l'entreprise

Le modèle est la partie la plus facile. En vision par ordinateur pour l'entreprise, le véritable travail réside dans les données étiquetées derrière le modèle et dans l'exécution de l'inférence sur les caméras à la périphérie (edge), et c'est cette seconde moitié qui fait discrètement échouer la plupart des programmes. Les guides d'achat dans cette catégorie accordent désormais plus d'importance à la précision sur vos propres images et au réalisme du déploiement en périphérie qu'à la comparaison de la largeur des fonctionnalités pré-entraînées sur laquelle les anciens appels d'offres (RFP) se concentraient excessivement, car une API gérée couvre déjà les fonctionnalités génériques et le projet échoue toujours sur les cas difficiles, spécifiques et soumis à des contraintes de latence.

Ce guide compare huit fournisseurs par rapport aux deux décisions qui déterminent l'architecture : API pré-entraînée ou modèle personnalisé, et cloud ou edge. Ne comparez les conditions commerciales qu'une fois ces exigences fixées ; sinon, les devis décrivent des systèmes différents.

Les deux décisions qui comptent#

Avant de comparer les fournisseurs, positionnez votre programme sur ces deux axes. Presque toutes les erreurs d'achat dans cette catégorie proviennent d'un fournisseur choisi pour le mauvais quadrant.

API pré-entraînée vs modèle personnalisé. Si votre tâche est générique (lecture de texte à partir de documents, détection d'objets courants, modération de contenu), une API gérée la résout aujourd'hui sans personnel spécialisé en IA/ML. Si votre tâche est spécifique à votre produit, à vos pièces ou à votre processus, aucune API pré-entraînée n'atteindra la précision requise en production et vous achetez plutôt un pipeline d'entraînement et de données.

Cloud vs edge. Si l'inférence peut tolérer un aller-retour vers un centre de données, les fournisseurs de cloud constituent la voie de moindre résistance. Si elle ne le peut pas (une ligne fonctionnant à haute vitesse, un véhicule, un site avec une connectivité peu fiable, ou des données qui ne sont pas autorisées à quitter les locaux), le déploiement en périphérie est l'exigence qui élimine la plupart des candidats de la liste restreinte.

Un programme qui achète une plateforme et fait l'impasse sur le travail de données et de cycle de vie livre un projet pilote qui n'atteint jamais la production. Prévoyez un budget pour l'étiquetage et les MLOps en tant qu'effort principal, et prouvez la précision sur vos images les plus difficiles avant de signer quoi que ce soit.

Les fournisseurs sont listés par ordre alphabétique, et non par classement. Ultralytics publie ce guide et y figure, de sorte que l'ordre est délibérément neutre et chaque fournisseur présente un compromis déclaré.

AWS : Rekognition et SageMaker AI#

Ce que c'est. Deux couches : Amazon Rekognition comme API de vision gérée, Amazon SageMaker AI comme plateforme de formation et de déploiement personnalisée.

Points forts. Rekognition offre une analyse d'images et de vidéos entièrement gérée (modération de contenu, détection d'étiquettes et de texte, détection d'EPI) ainsi que Custom Labels pour l'entraînement de modèles spécifiques à une tâche sans personnel ML. Une intégration poussée avec S3, Lambda et Kinesis Video en fait la voie de moindre résistance pour les pipelines natifs AWS. Lorsque les exigences dépassent l'API, SageMaker AI prend en charge l'entraînement distribué, les points de terminaison à mise à l'échelle automatique, les parcs de GPU et de CPU, les pipelines de déploiement et le suivi des expériences à travers les frameworks courants.

Rekognition fournit également la comparaison et la recherche de visages. Traitez cela comme une question d'achat distincte plutôt que comme une fonctionnalité bonus : le traitement biométrique comporte sa propre exposition réglementaire, ses obligations de consentement et, dans plusieurs juridictions, des dommages-intérêts statutaires. Si vous n'en avez pas besoin, excluez-le explicitement du périmètre, et notez que la plupart des cas d'utilisation de la vision étiquetés comme "sécurité" ne l'exigent pas.

Compromis. L'éventail est réel, mais le travail d'assemblage l'est tout autant : Rekognition plus SageMaker plus stockage plus orchestration constituent une architecture, pas un produit. L'edge est moins performant que le camp du "faites-le vous-même".

Idéal pour. Les organisations natives AWS qui veulent une vision gérée dès maintenant et l'option de créer du personnalisé plus tard sans changer de cloud.

Note d'achat. La détection des EPI est véritablement utile pour la surveillance de la sécurité et constitue souvent le moyen le plus rapide d'obtenir une première victoire défendable.

Azure AI Vision#

Ce que c'est. La pile de vision gérée de Microsoft, englobant des API prêtes à l'emploi et l'entraînement de modèles personnalisés.

Points forts. Azure AI Vision fournit des API prêtes à l'emploi pour l'analyse d'images, l'OCR et l'extraction de texte, la détection d'objets et les analyses vidéo, le déploiement et la mise à l'échelle étant gérés sans avoir à administrer l'infrastructure sous-jacente. Pour les équipes qui ont besoin de leurs propres modèles de classification ou de détection entraînés, Azure Machine Learning, y compris sa capacité AutoML, est la voie actuelle et couvre l'ensemble du cycle de vie.

Note d'achat : vérifiez le cycle de vie du service, pas seulement la liste des fonctionnalités. Microsoft a placé l'ancien service Custom Vision sur la voie du retrait et oriente les clients créant des modèles de classification et de détection personnalisés vers Azure Machine Learning à la place. Tout ce qui est construit sur Custom Vision comporte désormais une migration dans sa feuille de route. C'est la façon la plus courante dont une évaluation de la vision cloud échoue : un service qui a l'air idéal dans une comparaison de fonctionnalités est déjà obsolète, et les articles de comparaison qui ont alimenté la liste restreinte n'ont pas été mis à jour. Demandez par écrit à tout hyperscaler le statut de support et de dépréciation de chaque service spécifique nommé dans sa proposition.

Compromis. Comme pour tout service de vision d'hyperscaler, l'économie est basée sur la consommation, et les coûts peuvent surprendre les équipes à grande échelle. Le déploiement en périphérie est possible mais n'est pas le cœur de conception.

Idéal pour. Les organisations déjà standardisées sur Azure qui ont besoin d'une forte capacité d'OCR et de compréhension de documents, et qui veulent des services gérés plutôt qu'une équipe ML.

Note d'achat. Modélisez le coût par inférence au volume de production, et non au volume pilote. La tarification à l'usage est ce qui fait basculer un dossier commercial approuvé dans le rouge.

Cognex#

Ce que c'est. Un leader mondial de la vision industrielle, vendant du matériel et des logiciels d'automatisation pour la fabrication et la logistique.

Points forts. Cognex est l'acteur historique de la vision industrielle pour une bonne raison : ses produits sont déployés pour la détection des défauts et le contrôle qualité, la vérification de présence et d'absence, ainsi que la lecture de codes-barres et la traçabilité dans la logistique et l'emballage. Cognex VisionPro Deep Learning (le successeur de sa gamme de produits ViDi) ajoute un apprentissage profond de qualité industrielle conçu spécifiquement pour l'automatisation d'usine, aux côtés d'options d'apprentissage en périphérie pour des inspections plus simples. Lorsqu'un programme a besoin d'une vision qui s'intègre aux automates programmables industriels (API) et résiste à un environnement d'usine, il s'agit d'un équipement éprouvé plutôt que d'un service cloud pointé vers une caméra.

Compromis. Vous achetez un écosystème de matériel industriel, avec la structure de coûts et l'enfermement propriétaire (vendor lock-in) que cela implique. Ce n'est pas le bon profil pour les équipes natives du cloud et axées sur le logiciel.

Idéal pour. Les programmes de fabrication et de logistique où le système de vision fait partie de la ligne de production, et non de la plateforme de données.

Note d'achat. Demandez comment les modèles sont mis à jour une fois la ligne en marche. Le rythme de ré-entraînement sur les équipements d'usine est une question opérationnelle très différente du redéploiement d'un point de terminaison cloud.

Encord#

Ce que c'est. Une plateforme centrée sur les données, axée sur l'annotation et la qualité des jeux de données.

Points forts. Le positionnement d'Encord est que la qualité des données, et non l'architecture du modèle, détermine les résultats : avec des outils d'annotation, de curation et de gestion de la qualité, et des points forts cités dans l'imagerie médicale et la vidéo.

Compromis. Elle résout la moitié du problème liée aux données. L'entraînement et le déploiement ont toujours besoin d'un foyer.

Idéal pour. Les programmes où la qualité de l'étiquetage constitue le goulet d'étranglement, en particulier dans les domaines réglementés ou spécialisés.

Landing AI#

Ce que c'est. Une plateforme d'inspection visuelle pour la fabrication, fondée par Andrew Ng.

Remarque avant la sélection. Landing AI s'est repositionnée autour de l'IA documentaire et agentique, et sa ligne d'inspection est maintenue plutôt que mise en avant. ABB Motion Ventures a investi en 2025 spécifiquement pour intégrer son IA de vision dans la robotique ABB, la capacité dispose donc d'une voie d'avenir, mais posez des questions directes sur les engagements de la feuille de route pour l'inspection en usine.

Points forts. Landing AI cible un problème spécifique et véritablement difficile : l'inspection visuelle où les exemples de défauts sont rares. Ses techniques sont conçues pour les petits jeux de données, ce qui est la condition normale dans les environnements industriels : vous ne pouvez pas collecter un millier d'exemples d'un défaut qui se produit deux fois par mois.

Compromis. Cette focalisation restreint l'adéquation. Pour de la vision à usage général couvrant de nombreux types de tâches, une plateforme plus large conviendra mieux.

Idéal pour. Les industriels confrontés à un problème de détection de défauts et ne disposant pas de suffisamment d'images de défauts pour entraîner un modèle conventionnel.

Note d'achat. C'est le fournisseur à sélectionner lorsque votre blocage est la rareté des données plutôt que la capacité du modèle. Prouvez-le sur votre classe de défauts la plus rare.

NVIDIA#

Ce que c'est. La couche de calcul et de logiciel sous-jacente à une grande partie de la vision d'entreprise : matériel accéléré, boîtes à outils de modèles pré-entraînés et frameworks de déploiement pour la périphérie et l'analyse vidéo.

Points forts. La pertinence de NVIDIA dans les achats est généralement structurelle plutôt qu'au niveau des applications : elle fournit les GPU sur lesquels vos entraînements s'exécutent et les modules Jetson sur lesquels votre inférence en périphérie s'exécute, ainsi que la couche de plateforme Metropolis : DeepStream pour les pipelines d'analyse vidéo multi-flux et TAO pour l'entraînement et l'optimisation de modèles. Pour les programmes déployant la vision sur de nombreux flux de caméras, la question de la plateforme et la question de NVIDIA ne font souvent qu'une.

Compromis. C'est de l'infrastructure, pas une application. Vous avez toujours besoin du pipeline de données, des modèles et du travail d'intégration, de la part de votre propre équipe ou d'un autre fournisseur.

Idéal pour. Les programmes exécutant de nombreux flux de caméras à la périphérie, ou entraînant des modèles personnalisés à grande échelle.

Note d'achat. Les délais d'approvisionnement du matériel et le support du cycle de vie doivent figurer dans le contrat. Un parc périphérique représente un engagement de cinq ans envers un module que vous devez encore pouvoir acheter la troisième année.

Roboflow#

Ce que c'est. Une plateforme de bout en bout axée sur les développeurs pour la vision par ordinateur.

Points forts. Roboflow est populaire pour le prototypage rapide, gérant la gestion des jeux de données, l'augmentation et l'entraînement de modèles, avec l'annotation assistée par IA, l'entraînement sans code (no-code) et le déploiement du cloud vers l'edge. Pour les équipes qui itèrent rapidement sur de nouveaux cas d'utilisation, cela élimine la majeure partie du travail de configuration.

Compromis. Les outils axés sur les développeurs supposent des développeurs. Ce n'est pas un service géré pour l'entreprise.

Idéal pour. Les équipes qui veulent passer d'une idée à un modèle fonctionnel en quelques jours plutôt qu'en quelques trimestres.

Ultralytics#

Ce que c'est. Une plateforme de vision couvrant l'annotation, la gestion de jeux de données et l'entraînement, construite autour de modèles open source largement adoptés.

Points forts. Ultralytics Platform couvre six tâches d'annotation (détection d'objets, segmentation d'instances, segmentation sémantique, classification, estimation de pose et détection d'objets orientés) avec l'annotation intelligente alimentée par SAM produisant des masques et des boîtes englobantes (bounding boxes) en un clic pour les tâches de détection, de segmentation, sémantique et de boîtes orientées : la pose et la classification sont annotées manuellement, ce qui mérite d'être vérifié par rapport à votre mix de tâches. L'importation et l'exportation couvrent YOLO, COCO et VOC, de sorte qu'elle s'intègre aux pipelines existants plutôt de les remplacer, et la révision d'équipe ainsi que le versioning des jeux de données sont intégrés. L'avantage en matière d'achats est la continuité et la portabilité : les modèles sont ouverts et largement déployés, le jeu de données que vous étiquetez est le jeu de données que vous entraînez, et aucun des deux n'est piégé dans un format propriétaire.

Spécificités d'achat. Ultralytics Platform détient les certifications SOC 2 Type I et ISO 27001:2022, avec un chiffrement en transit et au repos et une conformité au RGPD et au CCPA. Lisez attentivement le Type I : il atteste de la conception des contrôles à un moment donné, et non de l'efficacité opérationnelle sur une période, ce qui correspond au Type II : plusieurs fournisseurs ci-dessus détiennent le Type II, et si votre politique l'exige, c'est une vraie différence, pas un détail technique. La résidence des données peut être fixée aux États-Unis, dans l'UE ou dans la région AP. La tarification des GPU cloud est publiée par heure plutôt que sur devis, et la facturation est à l'usage, ce qui en fait l'une des rares options de cette page que vous pouvez modéliser précisément avant une conversation commerciale.

Licence : lisez ceci avant la comparaison des fonctionnalités. Les modèles Ultralytics YOLO sont publiés sous AGPL-3.0, une licence copyleft forte. Le déploiement commercial ou propriétaire nécessite généralement une licence Ultralytics Enterprise, qui couvre également le déploiement privé et le support avancé. Intégrez le prix de cette licence dans toute comparaison avec une plateforme sous licence commerciale, et présentez-la rapidement au service juridique : "open source" et "aucun coût de licence" ne signifient pas la même chose, et c'est la façon la plus courante dont un dossier commercial de vision par ailleurs sain bloque au stade du contrat.

Compromis. C'est une plateforme pour les équipes qui posséderont leurs propres modèles. Les organisations souhaitant un service géré qui fournit des résultats finaux devraient plutôt se tourner vers les fournisseurs de services. C'est également de loin l'option la plus récente ici : Ultralytics Platform a été lancée en mars 2026, tandis qu'Azure, AWS, Cognex et NVIDIA ont de longs historiques d'achats, des réseaux de support établis et les clients de référence qu'un comité aversif au risque demandera. Lorsque l'ancienneté des antécédents ou l'attestation de Type II est une exigence éliminatoire, cela oriente vers d'autres choix.

Idéal pour. Les entreprises qui veulent des modèles de vision personnalisés qu'elles contrôlent, déployés là où elles le choisissent : y compris sur leur propre matériel, sans dépendance par inférence envers un fournisseur de cloud. Notez que la plateforme gérée elle-même facture les heures d'entraînement sur GPU et l'utilisation des points de terminaison ; la différence est que les modèles exportés peuvent s'exécuter entièrement sur l'infrastructure que vous possédez.

Comparaison en un coup d'œil#

Quel fournisseur devez-vous choisir ?#

Six situations couvrent la plupart des programmes d'entreprise. Trouvez la vôtre.

Vous avez besoin d'OCR, de compréhension de documents ou de détection d'objets génériques, et vous êtes sur Azure. Choisissez Azure AI Vision. Les API sont prêtes à l'emploi, aucun personnel ML n'est requis et le travail d'intégration est minimal. Modélisez votre coût par inférence au volume de production avant de vous engager : la tarification à l'usage est ce qui met à mal les dossiers commerciaux approuvés.

Vous avez besoin d'une vision gérée au sein d'un pipeline natif AWS. Choisissez AWS. Rekognition gère la modération, la recherche de visages, les EPI et la détection d'étiquettes de série, et SageMaker est là lorsque vous le dépassez sans changer de cloud. Attendez-vous à assembler une architecture plutôt qu'à acheter un produit.

Vous inspectez des pièces sur une ligne de production. Choisissez Cognex si le système de vision doit résider sur la ligne, s'intégrer aux automates et survivre à un environnement d'usine. Choisissez plutôt Landing AI si votre blocage est que les défauts sont trop rares pour être entraînés de manière conventionnelle. C'est un problème de données, pas un problème d'équipement, et cela nécessite un outil différent.

Vous déployez sur de nombreux flux de caméras en périphérie. Choisissez NVIDIA comme couche de plateforme, puis décidez séparément qui fournit les modèles et le pipeline de données. Il s'agit d'une décision d'infrastructure qui ne résout pas la décision d'application.

Vous devez avancer rapidement et prouver la valeur. Choisissez Roboflow pour une itération rapide, ou Ultralytics Platform si les modèles que vous prototypez sont les modèles que vous prévoyez d'exécuter en production. La différence réside dans le fait que vous explorez ou que vous construisez.

Les données étiquetées constituent votre goulet d'étranglement. Choisissez Encord si la qualité et la curation des annotations sont la contrainte, ou Ultralytics Platform si vous voulez que l'annotation soit directement liée à l'entraînement plutôt d'être transférée entre des outils.

Quand deux options conviennent toutes les deux, choisissez celle qui a la sortie la moins chère. Les formats de modèles ouverts et les jeux de données portables ne coûtent rien quand tout va bien et coûtent tout quand ce n'est pas le cas.

Que mettre dans l'appel d'offres (RFP)#

Les questions ci-dessous départagent les fournisseurs plus rapidement que n'importe quelle matrice de fonctionnalités, car ce sont les questions auxquelles une solution inadaptée ne peut pas répondre clairement.

Sur la précision. Quelle est votre précision mesurée sur nos images de preuve de concept, ventilée par nos classes d'échec plutôt qu'agrégée ? Que devient ce chiffre sous notre pire éclairage ?

Sur le déploiement. Quel matériel exact exécute l'inférence, quelle est la latence de bout en bout incluant la capture, et quel est le comportement lorsque la connectivité est perdue ? Qui met physiquement à jour un modèle sur un appareil déjà installé ?

Concernant les données. Qui possède les données étiquetées ? Pouvons-nous les exporter dans un format ouvert à tout moment ? Qu'est-ce qui est utilisé parmi nos données pour améliorer ton produit, et pouvons-nous refuser ?

Concernant le cycle de vie. Combien de temps faut-il pour réentraîner et redéployer après la découverte d'un nouveau mode de défaillance ? Explique-nous cela sous forme d'une séquence d'étapes avec des responsables.

Concernant les aspects commerciaux. Quel est le coût sur trois ans à notre volume estimé, ventilé par licence, calcul, stockage, main-d'œuvre d'annotation et support ? Qu'est-ce qui déclenche une modification de prix ?

Concernant la sortie. Si nous mettons fin au contrat la deuxième année, que conservons-nous : les données, les modèles, ou aucun des deux ?

Du projet pilote à la production#

La plupart des programmes de cette catégorie n'échouent pas au stade du pilote. Ils échouent dans l'écart entre un pilote qui a fonctionné et un système de production qui n'arrive jamais vraiment.

Fixe le seuil de production avant le début du pilote. Définis la précision, la latence et le coût par inférence qui justifieraient un déploiement, et mets-les par écrit. Un pilote sans critères de validation réussit toujours, ce qui explique pourquoi il ne t'apprend rien.

Mène le pilote sur le pire site, pas sur le meilleur. La ligne phare avec un bon éclairage et un superviseur motivé fera paraître n'importe quel fournisseur compétent. Le site problématique est celui où le déploiement sera réellement jugé.

Budgétise le deuxième modèle. Le premier modèle est construit avec l'attention du fournisseur et un jeu de données propre. Le dixième est construit par ton équipe un mardi. Si le deuxième modèle ne peut pas être construit sans le fournisseur dans la pièce, le programme ne passe pas à l'échelle.

Désigne le responsable de la qualité des données. Tous les programmes qui ont échoué dans cette catégorie partagent le même rôle manquant : quelqu'un de responsable du jeu de données étiquetées au fil du temps. Ce n'est pas une tâche que l'ingénieur ML fait pendant son temps libre et cela n'appartient pas aux achats.

Critères d'évaluation qui survivent au contact de la production#

Pèse ces critères en fonction de ta tâche et de l'endroit où l'inférence doit s'exécuter.

Précision sur tes images, pas sur le benchmark. Exige un prototype utilisant tes propres images les plus difficiles : éclairage médiocre, occlusion, les cas limites dont tes opérateurs se plaignent. Un fournisseur qui refuse d'en faire un te transmet un message.

Réalisme du déploiement en périphérie. Demande précisément : quel matériel, quelle latence, que se passe-t-il en cas de coupure réseau, et comment un modèle est-il mis à jour sur un appareil déjà déployé sur le terrain.

Coût total de possession. Inclus les licences, le calcul, le stockage, la main-d'œuvre d'annotation et la maintenance continue du modèle : pas seulement les frais initiaux. La tarification cloud basée sur la consommation est l'élément qui surprend le plus souvent les équipes à grande échelle.

Surface d'intégration. En milieu industriel, l'adéquation avec les PLC et MES détermine si le système est utilisable. Dans les environnements logiciels, il s'agit des API et des pipelines de données. Ceux-ci ne sont pas interchangeables.

Gouvernance des données. Chiffrement, contrôles d'accès, pistes d'audit et conformité réglementaire. Le RGPD, la HIPAA et les normes sectorielles dictent fréquemment le choix de la plateforme avant même le début de toute comparaison technique.

Le nouveau verrou des achats : confiance dans les appareils et provenance des données#

Un changement qu'il convient de nommer, car il bloque désormais des accords qui auraient été conclus auparavant.

La confiance dans les appareils, les droits sur les jeux de données et les registres de conservation des images pèsent de plus en plus lourd commercialement que la précision du modèle. Un modèle de computer vision peut réussir la validation technique tout en échouant aux achats, car personne ne peut prouver d'où proviennent les images d'entraînement, si l'organisation avait le droit de les utiliser, ou quel appareil physique a capturé une image donnée.

Trois questions à inclure dans l'appel d'offres :

• Droits sur les jeux de données. Pour chaque jeu de données utilisé lors de l'entraînement, quelle est la licence et permet-elle une utilisation commerciale dans notre juridiction ?
• Conservation des images. Le fournisseur peut-il produire un registre traçant une inférence de production jusqu'à l'appareil qui l'a capturée ?
• Confiance dans les appareils. Comment l'intégrité d'un appareil en périphérie est-elle attestée, et que se passe-t-il si l'un d'eux est altéré ?

Les fournisseurs qui ne peuvent pas répondre à ces questions ne sont pas nécessairement dangereux. Ils vont cependant ralentir ton examen juridique de plusieurs mois.

Comment mener l'évaluation#

Établis la liste restreinte selon le quadrant, pas selon le nombre de fonctionnalités. Décide d'abord entre pré-entraîné ou personnalisé et entre cloud ou périphérie. Cela élimine généralement la moitié du marché avant même une seule démo.

Mène un prototype sur tes données les plus difficiles. Les mêmes images, les mêmes critères d'acceptation, chaque fournisseur. Mesure la précision sur les cas qui comptent plutôt que la précision globale sur un jeu facile.

Estime le coût de tout le cycle de vie. Construis un modèle sur trois ans incluant la main-d'œuvre d'annotation et le réentraînement. Compare cela, et non les frais de licence.

Teste le parcours de mise à jour. Déploie un modèle, puis modifie-le. Le temps que cela prend et les personnes qui doivent être impliquées constituent le chiffre qui détermine si le système s'améliore après la mise en service ou se fige dès le premier jour.

Vérifie la sortie. Peux-tu exporter tes données étiquetées dans un format ouvert et emmener tes modèles ailleurs ? Sinon, chiffre l'enfermement propriétaire.