Tout ce qu’il faut savoir sur la vision par ordinateur en 2025

Il y a vingt ans, l’idée que les machines et les ordinateurs puissent voir et comprendre le monde relevait de la science-fiction. Aujourd’hui, grâce aux avancées de l’intelligence artificielle (AI), ce concept est devenu réalité. Plus particulièrement, la vision par ordinateur (CV), une branche de l’AI, 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, son potentiel repousse les limites du possible.

La vision par ordinateur façonne rapidement l’avenir de la technologie, tandis que différents secteurs explorent diverses façons d’adopter ses capacités uniques. La taille du marché mondial de la vision par ordinateur a atteint 19,83 milliards de dollars en 2024 et devrait progresser 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, en expliquant ce que c’est, comment elle a évolué et comment elle fonctionne aujourd’hui. Nous explorerons également certaines de ses applications les plus intéressantes. C’est parti !

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

La vision par ordinateur est un sous-domaine de l’AI qui s’appuie sur 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, la vision par ordinateur peut être utilisée dans le commerce de détail pour suivre les niveaux de stock en analysant des images de rayons, ou pour améliorer l’expérience d’achat grâce à des systèmes de paiement automatisés. De nombreuses entreprises utilisent déjà la vision par ordinateur pour des applications variées, allant de l’ajout de filtres aux photos prises avec un smartphone au contrôle qualité dans l’industrie manufacturière.

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

Même si les humains savent reconnaître des objets de différentes tailles, couleurs, luminosités ou sous différents angles, ils ont souvent du mal à rester constants sous pression. Les solutions de vision par ordinateur, en revanche, fonctionnent sans interruption et traitent rapidement et précisément de grandes quantités de données visuelles. Par exemple, elles peuvent analyser la circulation en temps réel pour détecter les embouteillages, optimiser la synchronisation des feux ou même identifier les accidents plus rapidement qu’un observateur humain.

Retour sur l’histoire de la vision par ordinateur#

Au fil des années, la vision par ordinateur est passée d’un concept théorique à une technologie fiable qui stimule l’innovation dans de nombreux secteurs. Examinons quelques-unes des étapes clés qui ont marqué son développement :

• Années 1950 - 1960 : Les chercheurs ont commencé à développer des algorithmes pour traiter et analyser les données visuelles, mais les progrès étaient lents en raison des capacités de calcul limitées.

• Années 1970 : Cette décennie a connu des améliorations majeures 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 fait son apparition, 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 percées.

• Années 2000 - 2010 : L’apprentissage profond a apporté une nouvelle dimension à la vision par ordinateur, permettant aux machines d’interpréter les données visuelles plus efficacement. 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 la manière dont nous résolvons 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’AI visuelle dans différents secteurs. À mesure que l’AI 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 utilisent des réseaux neuronaux, des algorithmes inspirés du fonctionnement du cerveau humain, pour analyser les images. Un type particulier, appelé réseaux neuronaux convolutifs (CNNs), est particulièrement efficace pour reconnaître des motifs, comme les contours et les formes dans les images.

Pour simplifier les données visuelles, des techniques comme la mise en commun se concentrent sur les parties les plus importantes d’une image, tandis que des couches supplémentaires traitent ces informations pour effectuer des tâches comme l’identification de caractéristiques ou la détection d’objets. Des modèles avancés comme Ultralytics YOLO11, conçus pour être rapides et précis, 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 pour transformer des images brutes en informations utiles. Voici les quatre principales étapes :

• Acquisition d’images : Les données visuelles sont recueillies à l’aide de caméras ou de capteurs, et la qualité des images dépend du type de capteur utilisé.

• Traitement d’images : Les données recueillies sont ensuite améliorées grâce à des 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 isolés 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.

Explorer les tâches de vision par ordinateur#

Tu as peut-être remarqué qu’en parlant du fonctionnement de la vision par ordinateur, nous avons mentionné les tâches de vision par ordinateur. Des modèles comme Ultralytics YOLO11 sont conçus pour prendre en charge ces tâches et fournir 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 qu’il prend en charge et leur fonctionnement.

Détection d’objets#

La détection d’objets est une tâche essentielle de vision par ordinateur qui sert à identifier les objets d’intérêt dans une image. Le résultat d’une tâche de détection d’objets est un ensemble de boîtes englobantes (rectangles tracés autour des objets détectés dans une image), accompagné 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 et localiser un piéton dans une rue ou 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 une étiquette ou une catégorie prédéfinie à une image d’entrée 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 vision par ordinateur utilisée dans de nombreuses applications. Elle consiste à diviser 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 traçant les limites précises de chaque objet. Par exemple, dans la fabrication et la réparation automobiles, elle peut aider à identifier et à étiqueter séparément chaque pièce d’une 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 tâche 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, la surveillance du comportement animal et la robotique.

Fig. 6. YOLO11 peut aider à estimer 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 manière dont YOLO11 gère des tâches comme le suivi d’objets et la détection d’objets avec boîte englobante orientée (OBB).

Les modèles de vision par ordinateur les plus populaires aujourd’hui#

Même s’il existe de nombreux modèles de vision par ordinateur, 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. Lorsque Ultralytics YOLOv5 a été lancé, le déploiement des modèles est devenu plus simple grâce à des frameworks d’AI visuelle comme PyTorch. Il a permis à un plus grand nombre d’utilisateurs de travailler avec une AI visuelle avancée, en combinant haute précision et facilité d’utilisation.

Ensuite, Ultralytics YOLOv8 est allé plus loin en ajoutant de nouvelles capacités comme la segmentation d’instances, l’estimation de pose et la classification d’images. Pendant ce temps, la dernière version, YOLO11, offre des performances de pointe pour plusieurs tâches de vision par ordinateur. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m atteint une précision moyenne (mAP) supérieure sur le jeu de données COCO, ce qui signifie qu’il peut détecter les objets avec davantage de précision et d’efficacité. Que tu sois un développeur expérimenté ou que tu débutes en AI, YOLO11 offre une solution puissante pour tes besoins en vision par ordinateur.

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

Nous avons vu précédemment comment des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être appliqués dans un large éventail de secteurs. Explorons maintenant d’autres cas d’utilisation qui transforment notre quotidien.

L’AI visuelle 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 davantage de précision. Dans l’analyse des radiographies, la vision par ordinateur peut identifier des motifs trop subtils pour l’œil humain.

Elle est également utilisée pour détecter le cancer en comparant les cellules cancéreuses aux cellules saines. De même, pour les scanners et les IRM, la vision par ordinateur peut analyser les images avec une précision proche de celle de l’humain. Elle aide les médecins à prendre de meilleures décisions et contribue finalement à sauver davantage de vies.

Fig. 7. YOLO11 utilisé pour analyser des examens médicaux.

L’AI dans l’industrie automobile#

La vision par ordinateur est essentielle aux voitures autonomes, car elle les aide à détecter des objets comme les panneaux routiers et les feux de circulation. Des techniques comme la reconnaissance optique de caractères (OCR) permettent à la voiture de lire le texte des panneaux routiers. Elle est également utilisée pour détecter les piétons, les tâches de détection d’objets permettant d’identifier les personnes en temps réel.

De plus, la vision par ordinateur peut repérer les fissures et les nids-de-poule à la surface des routes, ce qui permet de mieux surveiller l’évolution de leur état. Globalement, la technologie de vision par ordinateur peut jouer un rôle clé dans l’amélioration de la gestion de la circulation, le renforcement de la sécurité des transports et la planification des villes intelligentes.

Fig. 8. Comprendre la circulation avec YOLO11.

Vision par ordinateur dans l’agriculture#

Imagine que les agriculteurs puissent semer, arroser et récolter automatiquement leurs cultures à temps, sans aucune inquiétude. C’est exactement ce que la vision par ordinateur apporte à l’agriculture. Elle facilite la surveillance des cultures en temps réel afin que les agriculteurs puissent détecter les problèmes, comme les maladies ou les carences en nutriments, avec davantage de précision que les humains.

En plus de la surveillance, les machines de désherbage automatique pilotées par l’AI et intégrant la vision par ordinateur peuvent identifier 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 dans l’agriculture.

Automatiser les processus industriels avec l’AI#

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 fiabilise le processus tout en réduisant les erreurs, ce qui permet de diminuer les coûts.

Plus précisément, la détection d’objets et la segmentation d’instances sont couramment utilisées pour l’assurance qualité. Les systèmes de détection des défauts effectuent un contrôle final des produits finis afin de garantir 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 d’assemblage.

Fig. 10. Surveillance d’une chaîne d’assemblage avec la vision par ordinateur.

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

La reconnaissance des gestes est l’une des façons dont la vision par ordinateur est utilisée en classe : elle personnalise l’apprentissage en détectant les mouvements des élèves. Des modèles comme Ultralytics YOLO11 sont particulièrement adaptés à cette tâche. Ils peuvent identifier précisément des gestes comme les mains levées ou les expressions de confusion en temps réel.

Lorsque de tels gestes sont détectés, une leçon en cours peut être ajustée en fournissant 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 aide les enseignants à se concentrer sur leur enseignement tandis que le système accompagne l’expérience d’apprentissage de chaque élève.

Les tendances récentes de la vision par ordinateur#

Maintenant que nous avons exploré certaines applications de la vision par ordinateur dans différents secteurs, examinons les principales tendances qui favorisent ses progrès.

L’une des principales tendances est l’informatique en périphérie, un framework informatique distribué qui traite les données plus près de leur source. Par exemple, l’informatique en périphérie permet à des appareils comme les caméras et les capteurs de traiter directement les données visuelles, ce qui réduit les délais de réponse et améliore la confidentialité.

Une autre tendance clé de la vision par ordinateur est l’utilisation de la réalité mixte. Celle-ci combine le monde physique avec des éléments numériques et utilise la vision par ordinateur pour intégrer harmonieusement les objets virtuels au monde réel. Elle peut améliorer les expériences dans les domaines du jeu vidéo, de l’éducation et de la 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 contribue à réduire les coûts opérationnels, à améliorer la productivité et à limiter les erreurs.

• Évolutivité : Une fois mis en œuvre, les systèmes de vision par ordinateur peuvent facilement évoluer pour traiter de grandes quantités de données, ce qui les rend adaptés aux entreprises en croissance ou aux opérations à grande échelle.

• Personnalisation selon l’application : Les modèles de vision par ordinateur peuvent être ajustés à l’aide de ton jeu de données afin de fournir des solutions hautement spécialisées répondant aux exigences de ton application.

Même si ces avantages montrent l’impact que la vision par ordinateur peut avoir dans différents secteurs, il est également important de prendre en compte les difficultés liées à sa mise en œuvre. Voici quelques-uns des principaux défis :

• Préoccupations liées à la confidentialité des données : L’utilisation de données visuelles, notamment dans des domaines sensibles comme la surveillance ou la santé, peut soulever des problèmes de confidentialité et de sécurité.

• Limites environnementales : Les systèmes de vision par ordinateur peuvent avoir du mal à fonctionner correctement dans des environnements difficiles, comme ceux présentant un mauvais éclairage, des images de faible qualité ou des arrière-plans complexes.

• Coût initial élevé : Le développement et la mise en œuvre de systèmes de vision par ordinateur peuvent être coûteux en raison du besoin de matériel, de logiciels et d’une expertise spécialisés.

Points clés à retenir#

La vision par ordinateur réinvente la manière dont les machines interagissent avec le monde en leur permettant de voir et de comprendre le monde comme les humains. Elle est déjà utilisée dans de nombreux domaines : 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 mixte 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’AI pour les voitures autonomes et la vision par ordinateur dans l’agriculture sur nos pages de solutions. 🚀