Exploration des meilleurs jeux de données de vision par ordinateur en 2025

Sais-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 capturées par plus de 75 milliards d'appareils connectés. Ces données forment le socle de l'intelligence artificielle (IA). En fait, les modèles de vision par ordinateur avancés comme Ultralytics YOLO11 s'appuient sur des données visuelles pour identifier des modèles, interpréter des images et donner du sens au monde qui nous entoure.

Il est intéressant de noter que la valeur des données ne réside pas seulement dans la quantité. La façon dont elles sont organisées et préparées est plus importante. Si un jeu de données est désordonné ou incomplet, cela peut mener à des erreurs. Cependant, lorsque les jeux de données sont propres et diversifiés, ils aident les modèles de vision par ordinateur à être plus performants, qu'il s'agisse de reconnaître des objets dans une foule ou d'analyser des visuels 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 construire des modèles de vision par ordinateur plus précis et plus efficaces. Commençons !

Link to this sectionQu'est-ce qu'un jeu de données de vision par ordinateur ?#

Un jeu de données de vision par ordinateur est une collection 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 sont accompagnés d'étiquettes ou d'annotations qui aident les modèles à reconnaître des objets, des personnes, des scènes et des modèles au sein des données.

Ils peuvent être utilisés pour entraîner des modèles de vision par ordinateur, les aidant à améliorer des tâches telles que l'identification des visages, la détection d'objets ou l'analyse de scènes. Plus le jeu de données est de qualité - bien organisé, diversifié et précis - plus le modèle d'IA de vision est performant, ce qui conduit à une technologie plus intelligente et plus utile au quotidien.

Link to this sectionComment construire un jeu de données de vision par ordinateur#

Construire un jeu de données de vision par ordinateur revient à préparer des notes d'étude pour apprendre à quelqu'un à voir et à comprendre le monde. Tout commence par la collecte d'images et de vidéos qui correspondent à l'application spécifique que tu développes.

Un jeu de données idéal inclut des exemples variés des objets d'intérêt, capturés sous différents angles, dans diverses conditions d'éclairage, et à travers de multiples arrière-plans et environnements. Cette variété garantit que le modèle de vision par ordinateur apprend à reconnaître les modèles avec précision et fonctionne de manière fiable dans des scénarios réels.

Fig 1. Construire le jeu de données de vision idéal. Image par l'auteur.

Après avoir rassemblé les images et vidéos pertinentes, l'étape suivante est l'étiquetage des données. Ce processus consiste à ajouter des étiquettes, 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 une simple collection d'images en un jeu de données structuré qui peut être utilisé pour entraîner un modèle de vision par ordinateur.

Link to this sectionL'entraînement de 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 pourrait les étiqueter comme faisant partie de la tête tandis qu'un autre les étiquette séparément comme des oreilles. Cette incohérence peut confondre le modèle et affecter 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 avec des étiquettes cohérentes et précises.
• Données diversifiées : Le jeu de données inclut 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 facilitent l'apprentissage et la reconnaissance des caractéristiques par le modèle.

Link to this sectionUltralytics prend en charge divers jeux de données#

Les modèles Ultralytics YOLO, comme YOLO11, sont conçus pour fonctionner avec des jeux de données dans un format de fichier YOLO spécifique. Bien qu'il soit facile de convertir tes propres données dans ce format, nous fournissons également une option sans tracas pour ceux qui veulent commencer à expérimenter immédiatement.

Le package Python d'Ultralytics prend en charge une large gamme de jeux de données de vision par ordinateur, te permettant de te lancer dans des projets utilisant des tâches comme la détection d'objets, la segmentation d'instance ou l'estimation de pose sans aucune configuration supplémentaire.

Les utilisateurs peuvent facilement accéder à des jeux de données prêts à l'emploi comme COCO, DOTA-v2.0, Open Images V7 et ImageNet en spécifiant le nom du jeu de données comme l'un des paramètres dans la fonction d'entraînement. Lorsque tu fais cela, le jeu de données est automatiquement téléchargé et pré-configuré, afin que tu puisses te concentrer sur la construction et l'affinage de tes modèles.

Link to this sectionTop 5 des jeux de données de vision par ordinateur en 2025#

Les avancées en IA de vision reposent sur des jeux de données diversifiés et à grande échelle qui stimulent l'innovation et permettent des percées. Jetons un coup d'œil à certains des jeux de données les plus importants, pris en charge par Ultralytics, qui influencent les modèles de vision par ordinateur.

Link to this sectionJeu de données ImageNet#

ImageNet, créé par Fei-Fei Li et son équipe à l'Université de Princeton en 2007 et introduit en 2009, est un vaste jeu de données contenant plus de 14 millions d'images étiquetées. Il est largement utilisé pour entraîner des systèmes à reconnaître et à catégoriser différents objets. Sa conception structurée le rend particulièrement utile pour apprendre aux modèles à classer les images avec précision. Bien que bien documenté, il se concentre principalement sur la classification d'images et manque d'annotations détaillées pour des tâches comme la détection d'objets.

Voici un aperçu de quelques forces clés d'ImageNet :

• Diversité : Avec des images couvrant plus de 20 000 catégories, ImageNet offre un jeu de données vaste et varié qui améliore l'entraînement et la généralisation des modèles.
• Organisation structurée : Les images sont méticuleusement catégorisées en utilisant la hiérarchie WordNet, facilitant la récupération efficace des données et l'entraînement systématique des modèles.
• Documentation complète : Des recherches approfondies et des années d'étude rendent ImageNet accessible tant aux débutants qu'aux experts, fournissant des idées 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 :

• Exigences informatiques : Sa taille massive peut poser des défis pour les petites équipes avec des ressources informatiques limitées.
• Manque de données temporelles : Puisqu'il ne contient que des images statiques, il peut ne pas répondre aux besoins des applications nécessitant des données vidéo ou basées sur le temps.
• Images obsolètes : Certaines images du jeu de données sont anciennes et peuvent ne pas refléter les objets, styles ou environnements actuels, réduisant potentiellement la pertinence pour les applications modernes.

Link to this sectionJeu de données DOTA-v2.0#

Le jeu de données DOTA-v2.0, où DOTA signifie Dataset for Object Detection in Aerial Images, est une vaste collection d'images aériennes créée spécialement pour la détection d'objets par boîte englobante orientée (OBB). Dans la détection OBB, des boîtes englobantes pivotées sont utilisées pour s'aligner plus précisément avec l'orientation réelle des objets dans l'image. Cette méthode fonctionne particulièrement bien pour l'imagerie aérienne, où les objets apparaissent souvent sous divers angles, menant à une localisation plus précise et une meilleure détection dans l'ensemble.

Ce jeu de données consiste en plus de 11 000 images et plus de 1,7 million de boîtes englobantes orientées à travers 18 catégories d'objets. Les images vont de 800×800 à 20 000×20 000 pixels, et incluent 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 par 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 caractéristiques clés de DOTA-v2.0 :

• Catégories d'objets diversifiées : Il couvre de nombreux types d'objets différents, tels que les véhicules, les ports et les réservoirs de stockage, exposant les modèles à divers objets du monde réel.
• Annotations de haute qualité : Des annotateurs experts ont fourni des boîtes englobantes précisément orientées qui montrent clairement les formes et les directions des objets.
• Images multi-échelles : Le jeu de données inclut des images de différentes tailles, aidant les modèles à apprendre comment détecter des objets à petite et grande échelle.

Bien que DOTA-v2 ait de nombreuses forces, voici quelques limitations que les utilisateurs devraient garder à l'esprit :

• Étapes de téléchargement supplémentaires : En raison de la façon dont le jeu de données DOTA est maintenu, DOTA-v2.0 nécessite une étape de configuration supplémentaire. Tu dois d'abord télécharger les images DOTA-v1.0, puis ajouter les images supplémentaires et les annotations mises à jour pour DOTA-v2.0 pour compléter le jeu de données.
• Annotations complexes : Les boîtes englobantes orientées peuvent nécessiter un effort supplémentaire à gérer pendant l'entraînement du modèle.
• Portée limitée : 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.

Link to this sectionJeu de données Roboflow 100#

Le jeu de données Roboflow 100 (RF100) a été créé par Roboflow avec le soutien d'Intel. Il peut être utilisé pour tester et évaluer la performance des modèles de détection d'objets. Ce jeu de données de référence inclut 100 jeux de données différents choisis parmi plus de 90 000 jeux de données publics. Il contient plus de 224 000 images et 800 classes d'objets provenant de domaines comme la santé, les vues aériennes et le jeu vidéo.

Voici quelques avantages clés de l'utilisation de RF100 :

• Large couverture de domaine : Il inclut des jeux de données provenant de sept domaines, tels que l'imagerie médicale, les vues aériennes et l'exploration sous-marine.
• Encourage l'amélioration des modèles : La variabilité et les défis spécifiques aux domaines dans RF100 révèlent des lacunes dans les modèles actuels, orientant la recherche vers des solutions de détection d'objets plus adaptables et robustes.
• Format d'image cohérent : Toutes les images sont redimensionnées à 640x640 pixels. Cela aide les utilisateurs à entraîner des modèles sans avoir besoin d'ajuster les tailles d'image.

Malgré ses forces, RF100 comporte également certains inconvénients à garder à l'esprit :

• Limité en termes de tâches : RF100 est conçu pour la détection d'objets, il ne peut donc pas accommoder des tâches comme la segmentation ou la classification.
• Focus centré sur l'évaluation : RF100 est principalement conçu comme un outil d'évaluation plutôt que pour l'entraînement de modèles destinés à des applications réelles, ses résultats peuvent donc ne pas se traduire entièrement dans des scénarios de déploiement pratiques.
• Variabilité des annotations : Comme RF100 agrège des jeux de données issus du crowdsourcing, il peut y avoir des incohérences dans la qualité des annotations et les pratiques d'étiquetage, ce qui peut impacter l'évaluation et l'affinage des modèles.

Link to this sectionJeu de données COCO (Common Objects in Context)#

Le jeu de données COCO est l'un des jeux de données de vision par ordinateur les plus utilisés, offrant plus de 330 000 images avec des annotations détaillées. Il est conçu pour la détection d'objets, la segmentation et la légende d'images, ce qui en fait une ressource précieuse pour de nombreux projets. Ses étiquettes détaillées, incluant des boîtes englobantes et des masques de segmentation, aident les systèmes à apprendre à analyser les images avec précision.

Ce jeu de données est reconnu pour sa flexibilité et est utile pour diverses tâches, des projets simples aux plus complexes. Il est devenu une norme dans le domaine de l'IA de vision, fréquemment utilisé dans les défis et compétitions pour évaluer la performance des modèles.

Certaines de ses forces incluent :

• Données diversifiées et réalistes : Le jeu de données inclut des images issues de scénarios réels avec de multiples objets, occlusions et conditions d'éclairage variées.
• Adoption forte par la communauté et la recherche : Utilisé dans les compétitions majeures d'apprentissage automatique et la recherche, le jeu de données COCO dispose d'une documentation étendue, de modèles pré-entraînés et d'un soutien actif de la communauté.
• Annotations riches et détaillées : Le jeu de données COCO fournit des annotations très détaillées, incluant la segmentation d'objets, des points clés et des légendes, ce qui le rend idéal pour les projets qui nécessitent une compréhension visuelle précise.

Voici quelques facteurs limitants dont il faut également être conscient :

• Exigences informatiques élevées : En raison de sa taille et de sa complexité, l'entraînement de modèles sur COCO peut nécessiter des ressources informatiques significatives, ce qui le rend difficile pour les équipes avec un matériel limité.
• Déséquilibre des données : Certaines catégories d'objets ont significativement plus d'images que d'autres, ce qui peut mener à un biais dans l'entraînement du modèle.
• Structure d'annotation complexe : Les annotations détaillées du jeu de données, bien que précieuses, peuvent être accablantes pour les débutants ou les plus petites équipes qui manquent d'expérience de travail avec des jeux de données d'IA de vision structurés.

Link to this sectionJeu de données Open Images V7#

Open Images V7 est un jeu de données open-source massif curé par Google, comprenant plus de 9 millions d'images avec des annotations pour 600 catégories d'objets. Il inclut une variété de types d'annotations et est idéal pour aborder des tâches complexes de vision par ordinateur. Son échelle et sa profondeur fournissent une ressource complète pour l'entraînement et le test de modèles de vision par ordinateur.

Fig 3. Un aperçu du jeu de données Open Images V7. Image par l'auteur.

De plus, la popularité du jeu de données Open Images V7 dans la recherche fournit de nombreuses ressources et exemples pour apprendre. Cependant, sa taille massive peut rendre le téléchargement et le traitement chronophages, surtout pour les petites équipes. Un autre problème est que certaines annotations peuvent être incohérentes, nécessitant un effort supplémentaire pour nettoyer les données, et l'intégration n'est pas toujours fluide, ce qui signifie qu'une préparation supplémentaire peut être nécessaire.

Link to this sectionChoisir le bon jeu de données#

Choisir le bon jeu de données est une grande partie de la réussite de ton projet de vision par ordinateur. Le meilleur choix dépend de ta tâche spécifique - trouver une bonne correspondance aide ton modèle à apprendre les bonnes compétences. Il devrait aussi s'intégrer facilement avec tes outils, afin que tu puisses te concentrer davantage sur la construction de ton modèle et moins sur le dépannage.

Fig 4. Facteurs pour choisir le bon jeu de données. Image par l'auteur.

Link to this sectionPoints clés#

Les jeux de données de haute qualité sont l'épine dorsale de tout modèle de vision par ordinateur, aidant les systèmes à apprendre à interpréter les images avec précision. Des jeux de données diversifiés et bien annotés sont particulièrement importants, car ils permettent aux modèles de fonctionner de manière fiable dans des scénarios réels et réduisent les erreurs causées par des données limitées ou de mauvaise qualité.

Ultralytics simplifie le processus d'accès et de travail avec les jeux de données de vision par ordinateur, facilitant la recherche des bonnes données pour ton projet. Choisir le bon jeu de données est une étape cruciale dans la construction d'un modèle très performant, menant à des résultats plus précis et impactants.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l'IA. Découvre des avancées comme la vision par ordinateur pour la santé et l'IA dans les voitures autonomes sur nos pages de solutions. Consulte nos options de licence et fais le premier pas pour te lancer avec la vision par ordinateur dès aujourd'hui !