Tout ce que tu dois savoir sur la vision par ordinateur en 2025

Il y a vingt ans, l’idée de machines et d’ordinateurs capables de voir et de comprendre le monde relevait de la science-fiction. Aujourd’hui, grâce aux progrès de l’intelligence artificielle (IA), cette idée est devenue réalité. En particulier, la vision par ordinateur (CV), une branche de l’IA, permet aux machines de comprendre et d’analyser des images et des vidéos. Qu’il s’agisse d’identifier des objets en temps réel, d’améliorer les systèmes de sécurité ou d’automatiser des tâches complexes, la vision par ordinateur ne cesse d’élargir les capacités des machines.

La vision par ordinateur façonne rapidement l’avenir de la technologie, alors que différents secteurs explorent diverses façons d’exploiter ses capacités uniques. Le marché mondial de la vision par ordinateur a atteint 19,83 milliards de dollars en 2024 et devrait croître de 19,8 % par an au cours des prochaines années.

Fig. 1. Taille du marché mondial de la vision par ordinateur.

Dans cet article, nous allons examiner de plus près la vision par ordinateur : ce qu’elle est, comment elle a évolué et comment elle fonctionne aujourd’hui. Nous explorerons également certaines de ses applications les plus intéressantes.

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

La vision par ordinateur est un sous-domaine de l’IA qui utilise l’apprentissage automatique et les réseaux neuronaux pour apprendre aux ordinateurs à comprendre le contenu de données visuelles, comme des images ou des fichiers vidéo. Les informations tirées des images traitées peuvent servir à prendre de meilleures décisions. Par exemple, dans le commerce de détail, la vision par ordinateur peut suivre les niveaux de stock en analysant des images de rayons ou améliorer l’expérience d’achat grâce à des systèmes de paiement automatisés. De nombreuses entreprises utilisent déjà la technologie de vision par ordinateur dans diverses applications, qu’il s’agisse d’ajouter des filtres aux photos d’un smartphone ou d’effectuer le contrôle qualité dans la fabrication.

Tu te demandes peut-être pourquoi les solutions de vision par ordinateur sont si nécessaires. Les tâches qui exigent une attention constante, comme repérer des défauts ou reconnaître des motifs, peuvent être difficiles pour les humains. Les yeux se fatiguent et des détails peuvent passer inaperçus, surtout dans des environnements complexes ou au rythme soutenu.

Les humains savent reconnaître des objets de tailles, de couleurs, sous des éclairages ou à des angles différents, mais ils ont souvent du mal à rester cohérents sous pression. Les solutions de vision par ordinateur, elles, fonctionnent sans interruption et traitent rapidement et avec précision de grandes quantités de données visuelles. Par exemple, elles peuvent analyser le trafic en temps réel pour détecter les embouteillages, optimiser la durée des feux ou même repérer les accidents plus vite qu’un observateur humain.

Comprendre l’histoire de la vision par ordinateur#

Au fil des ans, la vision par ordinateur est passée d’un concept théorique à une technologie fiable qui stimule l’innovation dans tous les secteurs. Examinons quelques-uns des jalons clés qui ont marqué son évolution :

• Années 1950-1960 : Les chercheurs ont commencé à développer des algorithmes pour traiter et analyser des données visuelles, mais les progrès ont été lents en raison de la puissance de calcul limitée.
• Années 1970 : Cette décennie a vu d’importantes améliorations des algorithmes, comme la transformée de Hough, qui a amélioré la détection des lignes et des formes géométriques dans les images. La reconnaissance optique de caractères (OCR) a également vu le jour, permettant aux machines de lire du texte imprimé.
• Années 1980-1990 : L’apprentissage automatique a commencé à jouer un rôle dans la vision par ordinateur, ouvrant la voie à des capacités plus avancées et à de futures avancées majeures.
• Années 2000-2010 : L’apprentissage profond a donné une nouvelle dimension à la vision par ordinateur, permettant aux machines d’interpréter plus efficacement les données visuelles. Il a amélioré des capacités comme l’identification d’objets, l’analyse des mouvements et l’exécution de tâches complexes.

Aujourd’hui, la vision par ordinateur progresse rapidement et transforme notre façon de résoudre des problèmes dans des domaines comme la santé, les véhicules autonomes et les villes intelligentes. Les modèles Ultralytics YOLO (You Only Look Once), conçus pour les tâches de vision par ordinateur en temps réel, facilitent la mise en œuvre efficace et précise de l’IA pour la vision dans divers secteurs. À mesure que l’IA et le matériel progressent, ces modèles aident les entreprises à prendre de meilleures décisions et à rationaliser leurs opérations grâce à l’analyse avancée des données visuelles.

Comprendre le fonctionnement de la vision par ordinateur#

Les systèmes de vision par ordinateur analysent les images à l’aide de réseaux neuronaux, des algorithmes inspirés du fonctionnement du cerveau humain. Un type particulier de réseau, appelé réseaux neuronaux convolutifs (CNN), est particulièrement adapté à la reconnaissance de motifs, comme les contours et les formes dans les images.

Pour simplifier les données visuelles, des techniques comme le pooling se concentrent sur les parties les plus importantes d’une image, tandis que des couches supplémentaires traitent ces informations afin d’effectuer des tâches comme l’identification de caractéristiques ou la détection d’objets. Des modèles avancés comme Ultralytics YOLO11, conçus pour allier vitesse et précision, rendent possible le traitement d’images en temps réel.

Fig. 2. Exemple d’utilisation d’Ultralytics YOLO11 pour la détection d’objets.

Une application classique de vision par ordinateur comporte plusieurs étapes qui transforment des images brutes en informations utiles. Voici les quatre étapes principales :

• Acquisition d’images : Les données visuelles sont recueillies à l’aide de caméras ou de capteurs, et leur qualité dépend du type de capteur utilisé.
• Traitement des images : Les données recueillies sont ensuite améliorées au moyen de techniques de prétraitement, comme la réduction du bruit et la mise en évidence des contours, afin de faciliter leur analyse.
• Extraction de caractéristiques : Les détails importants, comme les formes et les textures, sont extraits en se concentrant sur les parties de l’image qui comptent le plus.
• Reconnaissance de motifs : Les caractéristiques identifiées sont analysées à l’aide de l’apprentissage automatique pour effectuer des tâches comme la détection d’objets, le suivi des mouvements ou la reconnaissance de motifs.

Découvrir les tâches de vision par ordinateur#

Tu as peut-être remarqué que nous avons évoqué les tâches de vision par ordinateur en parlant du fonctionnement de cette technologie. Les modèles comme Ultralytics YOLO11 sont conçus pour prendre en charge ces tâches et proposer des solutions rapides et précises pour des applications concrètes. De la détection d’objets au suivi de leurs mouvements, YOLO11 gère ces tâches efficacement. Explorons quelques-unes des principales tâches de vision par ordinateur qu’il prend en charge et leur fonctionnement.

Détection d’objets#

La détection d’objets est une tâche clé de la vision par ordinateur qui sert à identifier les objets d’intérêt dans une image. Elle produit un ensemble de boîtes englobantes (rectangles dessinés autour des objets détectés dans une image), accompagnées d’étiquettes de classe (la catégorie ou le type de chaque objet, comme « voiture » ou « personne ») et de scores de confiance (une valeur numérique indiquant le degré de certitude du modèle pour chaque détection). Par exemple, la détection d’objets peut servir à identifier un piéton dans la rue ou à localiser une voiture dans la circulation.

Fig. 3. Utilisation d’Ultralytics YOLO11 pour détecter des objets.

Classification d’images#

L’objectif principal de la classification d’images est d’attribuer à une image d’entrée une étiquette ou une catégorie prédéfinie en fonction de son contenu global. Cette tâche consiste généralement à identifier l’objet ou la caractéristique dominante de l’image. Par exemple, la classification d’images peut servir à déterminer si une image contient un chat ou un chien. Les modèles de vision par ordinateur comme YOLO11 peuvent même être entraînés sur mesure pour classer différentes races de chats ou de chiens, comme illustré ci-dessous.

Fig. 4. Classification de différentes races de chats avec YOLO11.

Segmentation d’instances#

La segmentation d’instances est une autre tâche essentielle de la vision par ordinateur, utilisée dans diverses applications. Elle consiste à découper une image en segments et à identifier chaque objet individuellement, même lorsque plusieurs objets sont du même type. Contrairement à la détection d’objets, la segmentation d’instances va plus loin en délimitant précisément chaque objet. Par exemple, dans la fabrication et la réparation automobiles, elle peut aider à identifier et à étiqueter séparément chaque pièce de voiture, ce qui rend le processus plus précis et plus efficace.

Fig. 5. Segmentation de pièces automobiles avec YOLO11.

Estimation de pose#

L’objectif de l’estimation de pose est de déterminer la position et l’orientation d’une personne ou d’un objet en prédisant l’emplacement de points clés, comme les mains, la tête et les coudes. Cette méthode est particulièrement utile dans les applications où il est important de comprendre les actions physiques en temps réel. L’estimation de la pose humaine est couramment utilisée dans des domaines comme l’analyse sportive, le suivi du comportement animal et la robotique.

Fig. 6. YOLO11 peut contribuer à l’estimation de la pose humaine.

Pour découvrir les autres tâches de vision par ordinateur prises en charge par YOLO11, consulte la documentation officielle d’Ultralytics. Elle fournit des informations détaillées sur la gestion par YOLO11 de tâches comme le suivi d’objets et la détection d’objets avec boîtes englobantes orientées (OBB).

Les modèles de vision par ordinateur populaires aujourd’hui#

Malgré le grand nombre de modèles de vision par ordinateur disponibles, la série Ultralytics YOLO se distingue par ses performances élevées et sa polyvalence. Au fil du temps, les modèles Ultralytics YOLO se sont améliorés : ils sont devenus plus rapides, plus précis et capables de gérer davantage de tâches. Avec l’arrivée d’Ultralytics YOLOv5, le déploiement de modèles est devenu plus facile grâce à des frameworks d’IA pour la vision comme PyTorch. Ce modèle a permis à davantage d’utilisateurs de travailler avec une IA pour la vision avancée, alliant grande précision et simplicité d’utilisation.

Ensuite, Ultralytics YOLOv8 a repoussé les limites en ajoutant de nouvelles capacités comme la segmentation d’instances, la classification d’images et l’estimation de pose. YOLO11 a ensuite offert de solides performances pour plusieurs tâches de vision par ordinateur. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m obtient une précision moyenne moyenne (mAP) supérieure sur le jeu de données COCO, ce qui signifie qu’il détecte les objets avec davantage de précision et d’efficacité. La dernière génération, Ultralytics YOLO26, s’appuie sur ces avancées avec une inférence native de bout en bout sans NMS et des performances CPU plus rapides pour le déploiement en périphérie. Que tu sois un développeur expérimenté ou que tu débutes en IA, les modèles Ultralytics YOLO constituent un point de départ pratique pour tes besoins en vision par ordinateur.

Le rôle de la vision par ordinateur dans la vie quotidienne#

Nous avons vu précédemment que les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être utilisés dans de nombreux secteurs. Explorons maintenant d’autres cas d’utilisation qui transforment notre quotidien.

L’IA pour la vision dans le secteur de la santé#

La vision par ordinateur dans le secteur de la santé offre un large éventail d’applications. Des tâches comme la détection et la classification d’objets sont utilisées en imagerie médicale pour détecter les maladies plus rapidement et avec plus de précision. Dans l’analyse des radiographies, la vision par ordinateur peut repérer des motifs trop subtils pour être perceptibles à l’œil humain.

Elle sert aussi à détecter le cancer en comparant les cellules cancéreuses aux cellules saines. De même, la vision par ordinateur peut analyser les images de tomodensitométrie et d’IRM avec une précision proche de celle des humains. Elle aide les médecins à prendre de meilleures décisions et, au final, à sauver davantage de vies.

Fig. 7. YOLO11 utilisé pour analyser des images médicales.

L’IA dans l’industrie automobile#

La vision par ordinateur est essentielle aux voitures autonomes : elle les aide à détecter des objets comme les panneaux de signalisation et les feux de circulation. Des techniques comme la reconnaissance optique de caractères (OCR) permettent à la voiture de lire le texte des panneaux de signalisation. La vision par ordinateur sert aussi à détecter les piétons, grâce à des tâches de détection d’objets qui identifient les personnes en temps réel.

De plus, la vision par ordinateur peut repérer les fissures et les nids-de-poule sur la chaussée, ce qui permet de mieux surveiller l’évolution de l’état des routes. Dans l’ensemble, cette technologie peut jouer un rôle essentiel dans l’amélioration de la gestion du trafic, de la sécurité des transports et de la planification des villes intelligentes.

Fig. 8. Comprendre la circulation avec YOLO11.

La vision par ordinateur dans l’agriculture#

Imaginons que les agriculteurs puissent semer, arroser et récolter automatiquement leurs cultures à temps, sans souci. C’est exactement ce que permet la vision par ordinateur en agriculture. Elle facilite le suivi des cultures en temps réel, afin que les agriculteurs puissent détecter plus tôt des problèmes comme les maladies ou les carences en nutriments.

En plus du suivi, les désherbeuses automatiques pilotées par l’IA et intégrant la vision par ordinateur peuvent repérer et éliminer les mauvaises herbes, réduire les coûts de main-d’œuvre et augmenter les rendements. Cette combinaison de technologies aide les agriculteurs à optimiser leurs ressources, à améliorer leur efficacité et à protéger leurs cultures.

Fig. 9. Exemple d’utilisation d’Ultralytics YOLO11 en agriculture.

Automatiser les processus de fabrication avec l’IA#

Dans l’industrie manufacturière, la vision par ordinateur aide à surveiller la production, à contrôler la qualité des produits et à suivre automatiquement les travailleurs. La Vision AI accélère et améliore la précision du processus tout en réduisant les erreurs et les coûts.

Pour le contrôle qualité, on utilise notamment la détection d’objets et la segmentation d’instances. Les systèmes de détection des défauts effectuent une vérification finale des produits finis pour s’assurer que seuls les meilleurs parviennent aux clients. Tout produit présentant des bosses ou des fissures est automatiquement identifié et rejeté. Ces systèmes suivent et comptent également les produits en temps réel, assurant une surveillance continue de la chaîne de montage.

Fig. 10. Surveillance d’une chaîne de montage à l’aide de la vision par ordinateur.

Rendre l’éducation plus efficace grâce à la vision par ordinateur#

En classe, la reconnaissance gestuelle est l’une des applications de la vision par ordinateur : elle personnalise l’apprentissage en détectant les mouvements des élèves. Les modèles comme Ultralytics YOLO11 sont très adaptés à cette tâche. Ils peuvent identifier avec précision et en temps réel des gestes comme une main levée ou une expression perplexe.

Lorsque ces gestes sont détectés, le cours en cours peut être adapté en apportant une aide supplémentaire ou en modifiant le contenu pour mieux répondre aux besoins de l’élève. Cela crée un environnement d’apprentissage plus dynamique et adaptatif, qui permet aux enseignants de se concentrer sur leur enseignement tandis que le système accompagne chaque élève dans son apprentissage.

Les tendances récentes de la vision par ordinateur#

Après avoir exploré quelques applications de la vision par ordinateur dans différents secteurs, examinons les principales tendances qui alimentent ses progrès.

L’une des grandes tendances est l’informatique en périphérie, un cadre informatique distribué qui traite les données au plus près de leur source. Par exemple, elle permet aux appareils comme les caméras et les capteurs de traiter directement les données visuelles, pour des temps de réponse plus courts, une latence réduite et une meilleure confidentialité.

Une autre tendance importante en vision par ordinateur est la réalité mixte. Elle associe le monde physique à des éléments numériques et s’appuie sur la vision par ordinateur pour intégrer harmonieusement les objets virtuels au monde réel. Elle peut améliorer les expériences de jeu, d’apprentissage et de formation.

Avantages et inconvénients de la vision par ordinateur#

Voici quelques-uns des principaux avantages que la vision par ordinateur peut apporter à différents secteurs :

• Réduction des coûts : L’automatisation des tâches grâce à la vision par ordinateur aide à réduire les coûts opérationnels, à améliorer la productivité et à limiter les erreurs.
• Évolutivité : Une fois déployés, les systèmes de vision par ordinateur peuvent facilement passer à l’échelle pour traiter de grandes quantités de données. Ils conviennent donc aux entreprises en croissance et aux opérations de grande envergure.
• Personnalisation selon l’application : Tu peux affiner les modèles de vision par ordinateur à l’aide de ton jeu de données pour obtenir des solutions très spécialisées, adaptées aux exigences de ton application.

Ces avantages montrent comment la vision par ordinateur peut avoir des répercussions dans différents secteurs, mais il est également important de tenir compte des difficultés liées à sa mise en œuvre. Voici quelques-uns des principaux défis :

• Préoccupations concernant la confidentialité des données : L’utilisation de données visuelles, notamment dans des domaines sensibles comme la surveillance ou les soins de santé, peut soulever des questions de confidentialité et de sécurité.
• Limites environnementales : Les systèmes de vision par ordinateur peuvent avoir du mal à fonctionner correctement dans des environnements difficiles, par exemple en cas de faible éclairage, d’images de mauvaise qualité ou d’arrière-plans complexes.
• Coût initial élevé : Le développement et la mise en œuvre de systèmes de vision par ordinateur peuvent coûter cher en raison du matériel, des logiciels et de l’expertise spécialisée nécessaires.

Points clés à retenir#

La vision par ordinateur réinvente la façon dont les machines interagissent avec le monde en leur permettant de voir et de comprendre leur environnement comme les humains. Elle est déjà utilisée dans de nombreux domaines : pour améliorer la sécurité des voitures autonomes, aider les médecins à diagnostiquer plus rapidement les maladies, personnaliser les achats et même aider les agriculteurs à surveiller leurs cultures.

À mesure que la technologie progresse, de nouvelles tendances comme l’informatique en périphérie et la réalité fusionnée ouvrent encore davantage de possibilités. Malgré certains défis, comme les biais et les coûts élevés, la vision par ordinateur pourrait avoir un impact très positif sur de nombreux secteurs à l’avenir.

Pour en savoir plus, consulte notre dépôt GitHub et échange avec notre communauté. Découvre les innovations dans des secteurs comme l’IA appliquée aux voitures autonomes et la vision par ordinateur en agriculture sur nos pages consacrées aux solutions.