Choisir un fournisseur de vision par ordinateur : guide d’achat pour les entreprises

Le modèle est la partie facile. En vision par ordinateur d’entreprise, le travail consiste à constituer les données annotées qui alimentent le modèle et à faire fonctionner l’inférence sur des caméras en périphérie ; c’est cette deuxième partie qui fait discrètement caler la plupart des projets. Les guides d’achat de cette catégorie accordent désormais plus de poids à la précision sur tes propres images et au réalisme du déploiement en périphérie qu’à la comparaison de l’étendue des fonctionnalités préentraînées, surpondérée dans les anciens appels d’offres : une API gérée couvre déjà les fonctionnalités génériques, mais le projet échoue toujours sur les cas difficiles, spécifiques et soumis à des contraintes de latence.

Ce guide compare huit fournisseurs selon les deux décisions qui déterminent l’architecture : API préentraînée ou modèle personnalisé, et cloud ou périphérie. Compare les conditions commerciales seulement une fois ces exigences définies ; sinon, les devis décrivent des systèmes différents.

Les deux décisions qui comptent#

Avant de comparer les fournisseurs, situe ton projet sur ces deux axes. Presque toutes les erreurs d’achat dans cette catégorie viennent du choix d’un fournisseur appartenant au mauvais quadrant.

API préentraînée ou modèle personnalisé. Si ta tâche est générique (lire du texte dans des documents, détecter des objets courants, modérer du contenu), une API gérée la résout dès aujourd’hui sans équipe ML. Si ta tâche est propre à ton produit, à tes pièces ou à ton processus, aucune API préentraînée n’atteindra la précision nécessaire à la mise en production : tu achètes alors un pipeline d’entraînement et de données.

Cloud ou périphérie. Si l’inférence peut tolérer un aller-retour vers un centre de données, les fournisseurs cloud sont la solution la plus simple. Si ce n’est pas possible (une ligne qui tourne à pleine vitesse, un véhicule, un site à la connectivité peu fiable ou des données qui ne peuvent pas quitter les locaux), le déploiement en périphérie devient une exigence qui élimine la plupart des fournisseurs présélectionnés.

Un projet qui achète une plateforme sans prendre en charge les données et le cycle de vie livre un pilote qui n’atteindra jamais la production. Consacre l’essentiel de l’effort à l’annotation et au MLOps, et vérifie la précision sur tes images les plus difficiles avant de signer quoi que ce soit.

Les fournisseurs sont classés par ordre alphabétique, et non par rang. Ultralytics publie ce guide et y figure : l’ordre est donc délibérément neutre et chaque fournisseur est présenté avec un compromis explicite.

AWS : Rekognition et SageMaker AI#

Présentation. Deux couches : Amazon Rekognition comme API de vision gérée et Amazon SageMaker AI comme plateforme d’entraînement et de déploiement de modèles personnalisés.

Points forts. Rekognition propose l’analyse entièrement gérée d’images et de vidéos (modération de contenu, détection d’étiquettes et de texte, détection d’EPI), ainsi que Custom Labels pour entraîner des modèles adaptés à des tâches spécifiques sans équipe ML. Son intégration poussée avec S3, Lambda et Kinesis Video en fait la solution la plus simple pour les pipelines natifs AWS. Lorsque les exigences dépassent les capacités de 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 sur les frameworks courants.

Rekognition propose également la comparaison et la recherche de visages. Traite cette fonctionnalité comme une question d’achat à part entière, et non comme un bonus : le traitement biométrique comporte ses propres risques réglementaires, obligations de consentement et, dans plusieurs juridictions, dommages-intérêts prévus par la loi. Si tu n’en as pas besoin, exclue-la explicitement du périmètre et garde à l’esprit que la plupart des cas d’usage de vision qualifiés de « sécurité » ne la nécessitent pas.

Compromis. L’étendue des fonctionnalités est réelle, mais le travail d’assemblage l’est aussi : Rekognition, SageMaker, le stockage et l’orchestration forment une architecture, pas un produit. La solution est moins adaptée à la périphérie que celles de la catégorie « tout construire soi-même ».

Idéal pour. Les organisations natives AWS qui veulent disposer immédiatement de services de vision gérés tout en gardant la possibilité de créer des modèles personnalisés plus tard, sans changer de cloud.

Conseil pour l’achat. La détection des EPI est réellement utile pour surveiller la sécurité et constitue souvent le moyen le plus rapide d’obtenir un premier résultat défendable.

Azure AI Vision#

Présentation. La pile de vision gérée de Microsoft, qui comprend 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 l’analyse vidéo, sans qu’il soit nécessaire de gérer l’infrastructure sous-jacente pour le déploiement et la mise à l’échelle. Pour les équipes qui ont besoin de leurs propres modèles de classification ou de détection entraînés, Azure Machine Learning, qui comprend sa fonctionnalité AutoML, est désormais la solution à privilégier et couvre l’ensemble du cycle de vie.

Conseil pour l’achat : vérifie le cycle de vie du service, pas seulement la liste de fonctionnalités. Microsoft a engagé l’ancien service Custom Vision dans un processus de retrait et oriente les clients qui créent des modèles de classification et de détection personnalisés vers Azure Machine Learning. Tout ce qui repose actuellement sur Custom Vision devra donc être migré selon la feuille de route. C’est la cause la plus fréquente d’échec d’une évaluation de solutions cloud de vision : un service qui semble idéal dans une comparaison de fonctionnalités est déjà remplacé, et les articles comparatifs ayant servi à établir la liste restreinte n’ont pas été mis à jour. Demande par écrit à tout fournisseur hyperscale l’état de prise en charge et de retrait de chaque service précis mentionné dans sa proposition.

Compromis. Comme pour tout service de vision proposé par un fournisseur hyperscale, la tarification est basée sur la consommation et les coûts peuvent surprendre les équipes à grande échelle. Le déploiement en périphérie est possible, mais ce n’est pas l’objectif principal de la conception.

Idéal pour. Les organisations déjà standardisées sur Azure qui ont besoin d’un OCR performant et de compréhension de documents, et qui préfèrent des services gérés plutôt qu’une équipe ML.

Conseil pour l’achat. Modélise le coût par inférence au volume de production, et non au volume du pilote. C’est la tarification à la consommation qui fait basculer dans le rouge un dossier commercial approuvé.

Cognex#

Présentation. Un leader mondial de la vision industrielle, qui vend du matériel et des logiciels d’automatisation pour la fabrication et la logistique.

Points forts. Cognex est le fournisseur historique de la vision industrielle pour de bonnes raisons : ses produits sont déployés pour la détection de défauts et le contrôle qualité, la vérification de présence et d’absence, ainsi que la lecture de codes-barres et la traçabilité en logistique et en emballage. Cognex VisionPro Deep Learning (qui succède à sa gamme de produits ViDi) ajoute un apprentissage profond de qualité industrielle spécialement conçu pour l’automatisation des usines, ainsi que des options d’apprentissage en périphérie pour les inspections plus simples. Pour les projets qui nécessitent une vision intégrée aux automates programmables industriels (PLC) et capable de résister aux conditions d’une usine, il s’agit d’un équipement éprouvé, et non d’un service cloud dirigé vers une caméra.

Compromis. Tu t’engages dans un écosystème de matériel industriel, avec la structure de coûts et la dépendance au fournisseur que cela implique. Ce n’est pas adapté aux équipes natives du cloud qui privilégient les logiciels.

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

Conseil pour l’achat. Demande comment les modèles sont mis à jour une fois la chaîne en marche. La cadence de réentraînement sur du matériel d’usine est une question opérationnelle très différente du redéploiement d’un point de terminaison cloud.

Encord#

Présentation. Une plateforme centrée sur les données, axée sur l’annotation et la qualité des jeux de données.

Points forts. Encord défend l’idée que les résultats dépendent de la qualité des données, et non de l’architecture du modèle : la plateforme propose des outils d’annotation, de curation et de gestion de la qualité, et se distingue notamment dans l’imagerie médicale et la vidéo.

Compromis. La plateforme traite la partie données du problème. L’entraînement et le déploiement doivent encore être pris en charge ailleurs.

Idéal pour. Les projets où la qualité de l’annotation constitue le goulot d’étranglement, en particulier dans les secteurs réglementés ou spécialisés.

Landing AI#

Présentation. Une plateforme d’inspection visuelle pour la fabrication, fondée par Andrew Ng.

À savoir avant de l’inscrire sur la liste restreinte. Landing AI s’est repositionnée autour des documents et de l’IA agentique ; sa gamme d’inspection est maintenue, mais n’est plus au premier plan. ABB Motion Ventures a investi en 2025 spécifiquement pour intégrer son IA de vision aux robots ABB : cette capacité a donc une voie de développement, mais renseigne-toi directement sur les engagements de la feuille de route pour l’inspection en usine.

Points forts. Landing AI cible un problème précis et réellement difficile : l’inspection visuelle lorsque les exemples de défauts sont rares. Ses techniques sont conçues pour les petits jeux de données, situation courante dans les environnements industriels : tu ne peux pas collecter un millier d’exemples d’un défaut qui ne survient que deux fois par mois.

Compromis. Cette spécialisation limite les cas d’usage adaptés. Pour une vision polyvalente couvrant de nombreux types de tâches, une plateforme plus étendue conviendra mieux.

Idéal pour. Les fabricants confrontés à un problème de détection des défauts qui ne disposent pas d’assez d’images de défauts pour entraîner un modèle conventionnel.

Conseil pour l’achat. C’est le fournisseur à présélectionner lorsque ton principal obstacle est le manque de données, et non les capacités du modèle. Évalue-le sur ta classe de défauts la plus rare.

NVIDIA#

Présentation. La couche de calcul et de logiciels qui sous-tend une grande partie de la vision d’entreprise : matériel accéléré, boîtes à outils de modèles préentraînés et frameworks de déploiement pour la périphérie et l’analyse vidéo.

Points forts. Dans les décisions d’achat, le rôle de NVIDIA est généralement structurel plutôt que lié aux applications : l’entreprise fournit les GPU utilisés pour l’entraînement et les modules Jetson utilisés pour l’inférence en périphérie, ainsi que la couche de plateforme Metropolis : DeepStream pour les pipelines d’analyse vidéo à flux multiples et TAO pour l’entraînement et l’optimisation des modèles. Pour les projets qui déploient la vision sur de nombreux flux de caméras, la question de la plateforme et celle de NVIDIA sont souvent une seule et même question.

Compromis. C’est une infrastructure, pas une application. Tu as toujours besoin du pipeline de données, des modèles et du travail d’intégration, à réaliser par ta propre équipe ou un autre fournisseur.

Idéal pour. Les projets qui traitent de nombreux flux de caméras en périphérie ou entraînent des modèles personnalisés à grande échelle.

Conseil pour l’achat. Les délais d’approvisionnement du matériel et l’assistance pendant son cycle de vie doivent figurer au contrat. Un parc en périphérie représente un engagement de cinq ans envers un module que tu dois encore pouvoir acheter la troisième année.

Roboflow#

Présentation. Une plateforme de bout en bout pour la vision par ordinateur, destinée aux développeurs.

Points forts. Roboflow est populaire pour le prototypage rapide et prend en charge la gestion des jeux de données, l’augmentation des données et l’entraînement des modèles, avec l’annotation assistée par IA, l’entraînement sans code et le déploiement du cloud à la périphérie. Pour les équipes qui explorent rapidement de nouveaux cas d’usage, la plateforme élimine la majeure partie du travail de configuration.

Compromis. Les outils destinés aux développeurs supposent que tu en as. Ce n’est pas un service géré d’entreprise.

Idéal pour. Les équipes qui veulent passer de l’idée à un modèle opérationnel en quelques jours plutôt qu’en plusieurs trimestres.

Ultralytics#

Présentation. Une plateforme de vision couvrant l’annotation, la gestion des jeux de données et l’entraînement, fondée sur des modèles ouverts largement adoptés.

Points forts. Ultralytics Platform prend en charge six tâches d’annotation (détection d’objets, segmentation d’instances, segmentation sémantique, classification, estimation de pose et détection d’objets orientés) et propose une annotation intelligente basée sur SAM qui produit en un clic des masques et des boîtes englobantes pour les tâches de détection, de segmentation, de segmentation sémantique et de boîtes orientées : la pose et la classification sont annotées manuellement, un point à vérifier selon la répartition de tes tâches. L’importation et l’exportation prennent en charge YOLO, COCO et VOC ; la plateforme s’intègre donc aux pipelines existants au lieu de les remplacer, et comprend la révision en équipe et le versionnage des jeux de données. L’avantage à l’achat réside dans la continuité et la portabilité : les modèles sont ouverts et largement déployés, le jeu de données que tu annote est celui que tu entraînes, et ni l’un ni l’autre ne sont enfermés dans un format propriétaire.

Détails pour l’achat. Ultralytics Platform est certifiée SOC 2 Type I et ISO 27001:2022, avec chiffrement des données en transit et au repos, et conformité au RGPD et au CCPA. Lis attentivement la certification Type I : elle atteste de la conception des contrôles à un moment donné, et non de leur efficacité opérationnelle sur une période donnée, ce qui correspond à la Type II. Plusieurs fournisseurs cités plus haut possèdent la certification Type II ; si ta politique l’exige, c’est une véritable différence, pas un détail. La résidence des données peut être définie aux États-Unis, dans l’UE ou en AP. Les tarifs des GPU cloud sont publiés à l’heure plutôt que communiqués sur devis, et la facturation est à l’usage, ce qui en fait l’une des rares options de cette page dont tu peux estimer précisément le coût avant un échange commercial.

Licences : lis ceci avant de comparer les fonctionnalités. Les modèles YOLO d’Ultralytics sont distribués sous AGPL-3.0, une licence à copyleft fort. Un déploiement commercial ou propriétaire nécessite généralement une licence Ultralytics Enterprise, qui couvre également les déploiements privés et l’assistance avancée. Intègre le coût de cette licence à toute comparaison avec une plateforme sous licence commerciale et soumets la question rapidement à l’équipe juridique : « open source » et « sans frais de licence » ne veulent pas dire la même chose, et c’est la cause la plus fréquente de blocage, au stade contractuel, d’un dossier commercial de vision pourtant solide.

Compromis. C’est une plateforme destinée aux équipes qui prendront en charge leurs propres modèles. Les organisations qui veulent un service géré fournissant des résultats clés en main devraient plutôt se tourner vers les fournisseurs de services. C’est aussi, de loin, l’option la plus récente de cette liste : Ultralytics Platform a été lancée en mars 2026, tandis qu’Azure, AWS, Cognex et NVIDIA ont une longue expérience des achats, des réseaux d’assistance bien établis et des références clients que demandera un comité prudent. Si une longue expérience ou une attestation Type II est une exigence incontournable, mieux vaut choisir une autre solution.

Idéal pour. Les entreprises qui veulent des modèles de vision personnalisés qu’elles maîtrisent et peuvent déployer où elles le souhaitent, y compris sur leur propre matériel, sans dépendance à un fournisseur cloud pour chaque inférence. Note que la plateforme gérée facture les heures d’entraînement sur GPU et l’utilisation des points de terminaison ; la différence, c’est que les modèles exportés peuvent fonctionner entièrement sur une infrastructure que tu possèdes.

Comparaison en un coup d’œil#

Quel fournisseur choisir ?#

Six situations couvrent la plupart des projets d’entreprise. Trouve la tienne.

Tu as besoin d’OCR, de compréhension de documents ou de détection générique d’objets et tu utilises Azure. Choisis Azure AI Vision. Les API sont prêtes à l’emploi, aucune équipe ML n’est nécessaire et le travail d’intégration est minime. Modélise ton coût par inférence au volume de production avant de t’engager : c’est la tarification à la consommation qui fait échouer les dossiers commerciaux approuvés.

Tu as besoin de services de vision gérés dans un pipeline natif AWS. Choisis AWS. Rekognition prend en charge directement la modération, la recherche de visages, les EPI et la détection d’étiquettes ; SageMaker est là lorsque tu dépasses ses capacités, sans que tu aies à changer de cloud. Prépare-toi à assembler une architecture plutôt qu’à acheter un produit.

Tu inspectes des pièces sur une chaîne de production. Choisis Cognex si le système de vision doit fonctionner sur la ligne, s’intégrer aux automates programmables industriels (PLC) et résister à l’environnement d’une usine. Choisis plutôt Landing AI si ton principal obstacle est la rareté des défauts, qui empêche un entraînement conventionnel. C’est un problème de données, pas de matériel, et il nécessite un autre outil.

Tu déploies la vision sur de nombreux flux de caméras en périphérie. Choisis NVIDIA comme couche de plateforme, puis décide séparément qui fournira les modèles et le pipeline de données. C’est une décision d’infrastructure qui ne tranche pas la question de l’application.

Tu dois avancer rapidement et démontrer la valeur du projet. Choisis Roboflow pour itérer rapidement, ou Ultralytics Platform si tu comptes mettre en production les modèles que tu prototypes. Tout dépend de savoir si tu explores ou si tu construis.

Les données annotées sont ton principal goulot d’étranglement. Choisis Encord si la qualité de l’annotation et la curation constituent la contrainte, ou Ultralytics Platform si tu veux intégrer l’annotation directement à l’entraînement plutôt que de transférer les données entre différents outils.

Si deux options répondent toutes les deux à tes besoins, choisis celle dont il est le moins coûteux de sortir. Les formats de modèles ouverts et les jeux de données portables ne coûtent rien quand tout va bien, et tout quand ça va mal.

Que mettre dans l’appel d’offres#

Les questions ci-dessous permettent de départager les fournisseurs plus rapidement que n’importe quelle matrice de fonctionnalités, car un fournisseur mal adapté ne peut pas y répondre clairement.

Sur la précision. Quelle est la précision mesurée sur les images de notre preuve de concept, ventilée selon nos catégories d’échec plutôt que présentée sous forme agrégée ? Que devient cette valeur dans nos pires conditions d’éclairage ?

Sur le déploiement. Quel matériel exact exécute l’inférence, quelle est la latence de bout en bout, acquisition comprise, et que se passe-t-il en cas de perte de connectivité ? Qui met physiquement à jour un modèle sur un appareil déjà installé ?

Sur les données. À qui appartiennent les données annotées ? Pouvons-nous les exporter à tout moment dans un format ouvert ? Quelles données parmi les nôtres sont utilisées pour améliorer votre produit, et pouvons-nous nous y opposer ?

Sur le cycle de vie. Combien de temps faut-il pour réentraîner et redéployer le modèle après la découverte d’un nouveau mode de défaillance ? Décrivez-nous le processus étape par étape, en précisant les responsables.

Sur les conditions commerciales. Quel est le coût sur trois ans pour le volume prévu, détaillé par licence, calcul, stockage, main-d’œuvre d’annotation et assistance ? Qu’est-ce qui déclenche une modification de prix ?

Sur la sortie. Si nous résilions le contrat au cours de la deuxième année, que conservons-nous : les données, les modèles, ou rien ?

Du projet pilote à la production#

La plupart des programmes de cette catégorie n’échouent pas lors du projet pilote. Ils échouent dans l’écart entre un projet pilote concluant et un système de production qui ne voit jamais vraiment le jour.

Fixe les critères de production avant le début du projet pilote. Détermine la précision, la latence et le coût par inférence qui justifieraient un déploiement, puis consigne-les. Un projet pilote sans seuil de réussite est toujours concluant, et ne t’apprend donc rien.

Réalise le projet pilote sur le site le plus difficile, pas le meilleur. La ligne phare, bien éclairée et supervisée par une personne motivée, donnera à n’importe quel fournisseur une image flatteuse. C’est sur le site problématique que le déploiement sera réellement évalué.

Prévois le budget du deuxième modèle. Le premier modèle est développé avec toute l’attention du fournisseur et un jeu de données propre. Le dixième, ton équipe le développe un mardi. Si le deuxième modèle ne peut pas être créé sans la présence du fournisseur, le programme ne peut pas passer à l’échelle.

Désigne le responsable de la qualité des données. Tous les programmes qui échouent dans cette catégorie présentent la même lacune : personne n’est responsable du jeu de données annotées dans la durée. Ce n’est ni une tâche à faire sur son temps libre pour l’ingénieur ML ni une responsabilité des achats.

Critères d’évaluation qui tiennent la route en production#

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

La précision sur tes images, pas sur le jeu de référence. Exige une preuve de concept sur tes images les plus difficiles : faible éclairage, occultations et cas limites signalés par tes opérateurs. Un fournisseur qui refuse de le faire t’envoie un message.

Le réalisme du déploiement en périphérie. Pose des questions précises : quel matériel, quelle latence, que se passe-t-il en cas de coupure réseau, et comment met-on à jour un modèle sur un appareil déjà sur le terrain ?

Le coût total de possession. Inclus les licences, le calcul, le stockage, la main-d’œuvre d’annotation et la maintenance continue des modèles, pas seulement les frais initiaux. À grande échelle, la tarification cloud à l’usage est l’élément qui surprend le plus souvent les équipes.

Les possibilités d’intégration. Dans l’industrie, la compatibilité avec les automates programmables industriels et les systèmes d’exécution de la production détermine si le système est utilisable. Dans les environnements logiciels, il s’agit des API et des pipelines de données. Ces deux contextes ne sont pas interchangeables.

La gouvernance des données. Chiffrement, contrôles d’accès, pistes d’audit et conformité réglementaire. Le RGPD, HIPAA et les normes propres à un secteur déterminent souvent le choix de la plateforme avant même toute comparaison technique.

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

Un changement qu’il faut nommer, car il bloque désormais des contrats qui auraient été conclus auparavant.

La confiance dans les appareils, les droits sur les jeux de données et les registres de traçabilité des images ont de plus en plus le même poids commercial que la précision des modèles. Un modèle de vision par ordinateur peut réussir la validation technique et pourtant échouer aux achats, car personne ne peut prouver d’où viennent 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 à l’entraînement, quelle est la licence et autorise-t-elle l’utilisation commerciale dans notre juridiction ?
• Traçabilité des images. Le fournisseur peut-il produire un registre reliant une inférence en production à l’appareil qui l’a capturée ?
• Confiance dans les appareils. Comment atteste-t-on l’intégrité d’un appareil en périphérie, et que se passe-t-il si quelqu’un le falsifie ?

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

Comment mener l’évaluation#

Établis ta liste restreinte selon les quadrants, pas le nombre de fonctionnalités. Commence par choisir entre modèles préentraînés et modèles personnalisés, puis entre cloud et périphérie. Cela élimine généralement la moitié du marché avant la moindre démonstration.

Réalise une seule preuve de concept sur tes données les plus difficiles. Mêmes images, mêmes critères d’acceptation pour chaque fournisseur. Mesure la précision sur les cas importants plutôt que sur un ensemble facile pris dans son ensemble.

Évalue le coût sur l’ensemble du cycle de vie. Élabore un modèle sur trois ans qui inclut la main-d’œuvre d’annotation et le réentraînement. Compare ce montant, pas les frais de licence.

Teste le processus de mise à jour. Déploie un modèle, puis modifie-le. Le temps nécessaire et les personnes à mobiliser déterminent si le système s’améliore après sa mise en service ou reste figé dès le premier jour.

Vérifie les conditions de sortie. Peux-tu exporter tes données annotées dans un format ouvert et utiliser tes modèles ailleurs ? Sinon, évalue le coût de la dépendance au fournisseur.