Découvrir les meilleurs jeux de données de vision par ordinateur en 2025

Savais-tu que les données jouent un rôle dans presque tout ce que tu fais au quotidien ? Regarder une vidéo, prendre une photo ou consulter Google Maps contribue au flux constant d’informations collectées par plus de 75 milliards d’appareils connectés. Ces données constituent le fondement de l’intelligence artificielle (AI). En effet, des modèles avancés de vision par ordinateur comme Ultralytics YOLO11 s’appuient sur des données visuelles pour identifier des motifs, interpréter des images et comprendre le monde qui nous entoure.

Il est intéressant de noter que la valeur des données ne dépend pas uniquement de leur quantité. Ce qui compte davantage, c’est la qualité de leur organisation et de leur préparation. Un jeu de données désordonné ou incomplet peut entraîner des erreurs. En revanche, des jeux de données propres et diversifiés aident les modèles de vision par ordinateur à mieux fonctionner, qu’il s’agisse de reconnaître des objets dans une foule ou d’analyser des images complexes. Les jeux de données de haute qualité font toute la différence.

Dans cet article, nous allons explorer les meilleurs jeux de données de vision par ordinateur de 2025 et voir comment ils contribuent à créer des modèles de vision par ordinateur plus précis et plus efficaces.

Que sont les jeux de données de vision par ordinateur ?#

Un jeu de données de vision par ordinateur est un ensemble d’images ou de vidéos qui aide les systèmes de vision par ordinateur à apprendre à comprendre et à reconnaître les informations visuelles. Ces jeux de données comprennent des étiquettes ou des annotations qui aident les modèles à reconnaître les objets, les personnes, les scènes et les motifs qu’ils contiennent.

Ils peuvent servir à entraîner des modèles de vision par ordinateur et à les aider à améliorer des tâches comme l’identification de visages, la détection d’objets ou l’analyse de scènes. Plus le jeu de données est de qualité — bien organisé, varié et précis —, meilleures sont les performances du modèle d’IA visuelle, ce qui permet de créer des technologies plus intelligentes et plus utiles au quotidien.

Comment créer un jeu de données de vision par ordinateur#

Créer un jeu de données de vision par ordinateur, c’est comme préparer des notes de cours pour apprendre à quelqu’un à voir et à comprendre le monde. Tout commence par la collecte d’images et de vidéos correspondant à l’application spécifique que tu développes.

Un jeu de données idéal comprend divers exemples des objets qui t’intéressent, capturés sous différents angles, dans diverses conditions d’éclairage et sur plusieurs arrière-plans et environnements. Cette variété permet au modèle de vision par ordinateur d’apprendre à reconnaître les motifs avec précision et de fonctionner de manière fiable dans des situations réelles.

Fig. 1. Créer le jeu de données de vision idéal. Image de l’auteur.

Après avoir collecté les images et les vidéos pertinentes, l’étape suivante consiste à effectuer l’étiquetage des données. Ce processus consiste à ajouter des balises, des annotations ou des descriptions aux données afin que l’IA puisse comprendre ce que contient chaque image ou vidéo.

Les étiquettes peuvent inclure des noms d’objets, des emplacements, des limites ou d’autres détails pertinents qui aident à entraîner le modèle à reconnaître et à interpréter les informations visuelles avec précision. L’étiquetage des données transforme un simple ensemble d’images en un jeu de données structuré pouvant servir à entraîner un modèle de vision par ordinateur.

L’entraînement des modèles nécessite des données de haute qualité#

Tu te demandes peut-être ce qui rend un jeu de données de haute qualité. De nombreux facteurs entrent en jeu, comme la précision de l’étiquetage, la diversité et la cohérence. Par exemple, si plusieurs annotateurs étiquettent un jeu de données de détection d’objets pour identifier des oreilles de chat, l’un peut les inclure dans la tête, tandis qu’un autre les étiquette séparément comme des oreilles. Cette incohérence peut perturber le modèle et nuire à sa capacité à apprendre correctement.

Voici un aperçu rapide des qualités d’un jeu de données de vision par ordinateur idéal :

• Étiquettes claires : chaque image est annotée avec précision et des étiquettes cohérentes.
• Données variées : le jeu de données comprend différents objets, arrière-plans, conditions d’éclairage et angles pour aider le modèle à bien fonctionner dans diverses situations.
• Images haute résolution : des images nettes et détaillées aident le modèle à apprendre et à reconnaître les caractéristiques.

Ultralytics prend en charge différents jeux de données#

Les modèles Ultralytics YOLO, comme YOLO11, sont conçus pour fonctionner avec des jeux de données au format de fichier YOLO spécifique. Même s’il est facile de convertir tes propres données dans ce format, nous proposons aussi une option plus simple pour celles et ceux qui veulent commencer à expérimenter immédiatement.

Le package Python Ultralytics prend en charge un large éventail de jeux de données de vision par ordinateur. Tu peux ainsi te lancer dans des projets utilisant des tâches comme la détection d’objets, la segmentation d’instances ou l’estimation de pose, sans configuration supplémentaire.

Les utilisateurs peuvent facilement accéder à des jeux de données prêts à l’emploi comme COCO, DOTA (v1.0 et v1.5), Open Images V7 et ImageNet en indiquant le nom du jeu de données parmi les paramètres de la fonction d’entraînement. Le jeu de données est alors automatiquement téléchargé et préconfiguré, afin que tu puisses te concentrer sur la création et l’amélioration de tes modèles.

Les 5 meilleurs jeux de données de vision par ordinateur en 2025#

Les progrès de l’IA visuelle reposent sur des jeux de données variés et à grande échelle, qui stimulent l’innovation et rendent possibles des avancées majeures. Découvrons quelques-uns des jeux de données les plus importants pris en charge par Ultralytics, qui influencent les modèles de vision par ordinateur.

Jeu de données ImageNet#

ImageNet, créé par Fei-Fei Li et son équipe de l’université de Princeton en 2007 et présenté en 2009, est un vaste jeu de données comprenant plus de 14 millions d’images annotées. Il est largement utilisé pour entraîner des systèmes à reconnaître et à classer différents objets. Sa structure en fait un outil particulièrement utile pour apprendre aux modèles à classer les images avec précision. Bien documenté, il se concentre principalement sur la classification d’images et ne comporte pas d’annotations détaillées pour des tâches comme la détection d’objets.

Voici quelques-uns des principaux atouts d’ImageNet :

• Diversité : Avec des images couvrant plus de 20 000 catégories, ImageNet propose un jeu de données vaste et varié qui améliore l’entraînement et la capacité de généralisation des modèles.
• Organisation structurée : Les images sont soigneusement classées selon la hiérarchie WordNet, ce qui facilite la récupération efficace des données et l’entraînement systématique des modèles.
• Documentation complète : Grâce à des recherches approfondies et à des années d’études, ImageNet est accessible aux débutants comme aux experts et fournit des informations et des conseils précieux pour les projets de vision par ordinateur.

Cependant, comme tout jeu de données, il a ses limites. Voici quelques défis à prendre en compte :

• Besoins en calcul : Sa taille considérable peut poser problème aux petites équipes qui disposent de ressources informatiques limitées.
• Absence de données temporelles : Comme il ne contient que des images statiques, il peut ne pas répondre aux besoins des applications qui nécessitent des vidéos ou des données temporelles.
• Images obsolètes : Certaines images du jeu de données sont anciennes et peuvent ne pas refléter les objets, les styles ou les environnements actuels, ce qui risque de réduire leur pertinence pour les applications modernes.

Jeu de données DOTA-v2.0#

Le jeu de données DOTA-v2.0, où DOTA signifie « jeu de données pour la détection d’objets dans des images aériennes », est une vaste collection d’images aériennes créée spécialement pour la détection d’objets par boîtes englobantes orientées (OBB). En détection OBB, des boîtes englobantes pivotées permettent de mieux correspondre à l’orientation réelle des objets dans l’image. Cette méthode est particulièrement adaptée aux images aériennes, où les objets apparaissent souvent sous différents angles, ce qui améliore la précision de la localisation et de la détection.

Ce jeu de données comprend plus de 11 000 images et plus de 1,7 million de boîtes englobantes orientées réparties dans 18 catégories d’objets. Les images mesurent de 800×800 à 20 000×20 000 pixels et comprennent des objets comme des avions, des navires et des bâtiments.

Fig. 2 Exemples d’images et d’annotations du jeu de données DOTA-v2.0. Image de l’auteur.

Grâce à ses annotations détaillées, DOTA-v2.0 est devenu un choix populaire pour les projets de télédétection et de surveillance aérienne. Voici quelques-unes de ses principales caractéristiques :

• Diversité des catégories d’objets : Il couvre de nombreux types d’objets, comme les véhicules, les ports et les réservoirs de stockage, exposant ainsi les modèles à divers objets du monde réel.
• Annotations de haute qualité : Des annotateurs experts ont fourni des boîtes englobantes orientées avec précision, qui indiquent clairement la forme et l’orientation des objets.
• Images multirésolution : Le jeu de données comprend des images de différentes tailles, ce qui aide les modèles à apprendre à détecter les objets à petite et à grande échelle.

DOTA-v2 présente de nombreux atouts, mais voici quelques limites à garder à l’esprit :

• Étapes de téléchargement supplémentaires : En raison de la manière dont le jeu de données DOTA est géré, DOTA-v2.0 nécessite une étape de configuration supplémentaire. Tu dois d’abord télécharger les images de DOTA-v1.0, puis ajouter les images supplémentaires et les annotations mises à jour de DOTA-v2.0 pour compléter le jeu de données.
• Annotations complexes : Les boîtes englobantes orientées peuvent nécessiter un travail supplémentaire lors de l’entraînement des modèles.
• Champ d’application limité : DOTA-v2 est conçu pour les images aériennes, ce qui le rend moins utile pour les tâches générales de détection d’objets en dehors de ce domaine.

Jeu de données Roboflow 100#

Le jeu de données Roboflow 100 (RF100) a été créé par Roboflow avec le soutien d’Intel. Il permet de tester et d’évaluer les performances des modèles de détection d’objets. Ce jeu de données de référence comprend 100 jeux de données différents, sélectionnés parmi plus de 90 000 jeux de données publics. Il contient plus de 224 000 images et 800 classes d’objets issues de domaines comme la santé, les vues aériennes et les jeux vidéo.

Voici quelques-uns des principaux avantages de RF100 :

• Large couverture de domaines : Il comprend des jeux de données issus de sept domaines, comme l’imagerie médicale, les vues aériennes et l’exploration sous-marine.
• Favorise l’amélioration des modèles : La variabilité et les défis propres à chaque domaine dans RF100 révèlent les lacunes des modèles actuels et orientent la recherche vers des solutions de détection d’objets plus adaptables et plus robustes.
• Format d’image uniforme : Toutes les images sont redimensionnées en 640x640 pixels. Les utilisateurs peuvent ainsi entraîner des modèles sans avoir à ajuster la taille des images.

Malgré ses atouts, RF100 présente aussi certains inconvénients à prendre en compte :

• Nombre de tâches limité : RF100 est conçu pour la détection d’objets et ne permet donc pas de réaliser des tâches comme la segmentation ou la classification.
• Axé sur l’évaluation comparative : RF100 est principalement conçu comme un outil d’évaluation comparative plutôt que pour entraîner des modèles destinés à des applications réelles. Ses résultats ne sont donc pas toujours directement transposables à des scénarios de déploiement pratique.
• Variabilité des annotations : Comme RF100 regroupe des jeux de données annotés par la foule, la qualité des annotations et les pratiques d’étiquetage peuvent être inégales, ce qui risque d’avoir un impact sur l’évaluation et le réglage fin des modèles.

Jeu de données COCO (objets courants dans leur contexte)#

Le jeu de données COCO est l’un des jeux de données de vision par ordinateur les plus utilisés. Il propose plus de 330 000 images accompagnées d’annotations détaillées. Conçu pour la détection d’objets, la segmentation et le sous-titrage d’images, il constitue une ressource précieuse pour de nombreux projets. Ses annotations détaillées, notamment les boîtes englobantes et les masques de segmentation, aident les systèmes à apprendre à analyser les images avec précision.

Ce jeu de données est réputé pour sa flexibilité et convient à diverses tâches, des projets simples aux plus complexes. Il est devenu une référence dans le domaine de l’IA visuelle et sert souvent à évaluer les performances des modèles dans le cadre de défis et de compétitions.

Parmi ses atouts, on peut citer :

• Données variées et réalistes : Le jeu de données comprend des images de situations réelles, avec plusieurs objets, des occultations et des conditions d’éclairage variées.
• Large adoption par la communauté et la recherche : Utilisé dans de grandes compétitions d’apprentissage automatique et dans des travaux de recherche, le jeu de données COCO bénéficie d’une documentation abondante, de modèles préentraînés et du soutien actif de la communauté.
• Annotations riches et détaillées : Le jeu de données COCO fournit des annotations très détaillées, notamment la segmentation d’objets, les points clés et les légendes, ce qui le rend idéal pour les projets nécessitant une compréhension visuelle précise.

Voici également quelques limites à prendre en compte :

• Besoins en calcul élevés : En raison de sa taille et de sa complexité, l’entraînement de modèles sur COCO peut nécessiter d’importantes ressources informatiques, ce qui constitue un défi pour les équipes disposant d’un matériel limité.
• Déséquilibre des données : Certaines catégories d’objets comprennent beaucoup plus d’images que d’autres, ce qui peut entraîner un biais dans l’entraînement des modèles.
• Structure d’annotation complexe : Les annotations détaillées du jeu de données, bien qu’utiles, peuvent être difficiles à appréhender pour les débutants ou les petites équipes qui manquent d’expérience avec les jeux de données structurés d’IA visuelle.

Jeu de données Open Images V7#

Open Images V7 est un immense jeu de données open source compilé par Google. Il comprend plus de 9 millions d’images annotées pour 600 catégories d’objets. Il propose différents types d’annotations et convient parfaitement aux tâches complexes de vision par ordinateur. Son ampleur et sa richesse en font une ressource complète pour entraîner et tester des modèles de vision par ordinateur.

Fig. 3 Aperçu du jeu de données Open Images V7. Image de l’auteur.

Par ailleurs, la popularité du jeu de données Open Images V7 dans la recherche offre aux utilisateurs de nombreuses ressources et exemples dont ils peuvent s’inspirer. Cependant, son immense taille peut rendre le téléchargement et le traitement longs, surtout pour les petites équipes. Autre problème : certaines annotations peuvent être incohérentes, ce qui demande un travail supplémentaire de nettoyage des données. L’intégration n’est pas toujours simple non plus et peut nécessiter une préparation supplémentaire.

Choisir le bon jeu de données#

Choisir le bon jeu de données est essentiel pour assurer la réussite de ton projet de vision par ordinateur. Le meilleur choix dépend de ta tâche précise : trouver un jeu adapté aide ton modèle à acquérir les bonnes capacités. Il doit aussi s’intégrer facilement à tes outils, pour que tu puisses te concentrer davantage sur la création de ton modèle et moins sur la résolution de problèmes.

Fig. 4. Facteurs à prendre en compte pour choisir le bon jeu de données. Image de l’auteur.

Points clés à retenir#

Les jeux de données de haute qualité sont la base de tout modèle de vision par ordinateur et aident les systèmes à apprendre à interpréter les images avec précision. Les jeux de données variés et bien annotés sont particulièrement importants : ils permettent aux modèles de fonctionner de manière fiable dans des situations réelles et réduisent les erreurs dues à des données insuffisantes ou de mauvaise qualité.

Ultralytics simplifie le processus d’accès aux jeux de données de vision par ordinateur et de leur utilisation, ce qui facilite la recherche des données adaptées à ton projet. Choisir le bon jeu de données est une étape cruciale pour créer un modèle performant et obtenir des résultats plus précis et plus probants.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA. Découvre les progrès réalisés dans des domaines comme la vision par ordinateur appliquée à la santé et l’IA dans les voitures autonomes sur nos pages consacrées aux solutions. Consulte nos options de licence et fais dès aujourd’hui le premier pas vers la découverte de la vision par ordinateur !