À la découverte des 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 capturées par plus de 75 milliards d’appareils connectés. Ces données constituent le fondement de l’intelligence artificielle (AI). En fait, les 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.

Fait intéressant, la valeur des données ne dépend pas uniquement de leur quantité. La manière dont elles sont organisées et préparées est plus importante. Si un jeu de données est désordonné ou incomplet, il peut entraîner des erreurs. En revanche, 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 éléments 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 la création de modèles de vision par ordinateur plus précis et plus efficaces. Commençons !

Que sont les jeux 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 les objets, les personnes, les scènes et les motifs présents dans les données.

Ils peuvent être utilisés pour entraîner des modèles de vision par ordinateur et les aider à améliorer des tâches comme l’identification des visages, la détection d’objets ou l’analyse de scènes. Plus le jeu de données est performant — bien organisé, diversifié et précis — plus le modèle d’IA de vision est efficace, 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 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 correspondant à l’application spécifique que tu développes.

Un jeu de données idéal contient des exemples diversifiés des objets d’intérêt, capturés sous différents angles, dans diverses conditions d’éclairage et avec plusieurs arrière-plans et environnements. Cette variété garantit que le modèle de vision par ordinateur apprend à reconnaître les motifs avec précision et fonctionne de manière fiable dans des situations réelles.

Fig. 1. Création du jeu de données de vision idéal. Image de l’auteur.

Après avoir rassemblé les images et 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 les noms des objets, leur emplacement, leurs limites ou d’autres informations pertinentes 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 pouvant être utilisé pour 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, notamment 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 étiqueter comme faisant partie de la tête tandis qu’un autre les étiquette séparément comme des oreilles. Cette incohérence peut perturber le modèle et affecter sa capacité à apprendre correctement.

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

• Étiquettes claires : chaque image est annotée avec précision à l’aide d’étiquettes cohérentes et précises.
• Données diversifiées : le jeu de données inclut différents objets, arrière-plans, conditions d’éclairage et angles afin d’aider le modèle à fonctionner correctement dans diverses situations.
• Images haute résolution : des images nettes et détaillées permettent au modèle d’apprendre et de reconnaître plus facilement 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 également une option simple pour ceux qui souhaitent commencer à expérimenter immédiatement.

Le package Python Ultralytics prend en charge un large éventail de jeux de données de vision par ordinateur, ce qui te permet de 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-v2.0, Open Images V7 et ImageNet en indiquant le nom du jeu de données comme l’un des paramètres de la fonction d’entraînement. Dans ce cas, le jeu de données est 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 avancées de l’IA de vision reposent sur des jeux de données diversifiés et à grande échelle, qui stimulent l’innovation et permettent des avancées majeures. Examinons 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, puis présenté 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 structure organisée le rend 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 contient 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 offre un jeu de données vaste et varié qui améliore l’entraînement et la généralisation des modèles.
• Organisation structurée : les images sont minutieusement catégorisées à l’aide de la hiérarchie WordNet, ce qui facilite la récupération efficace des données et l’entraînement systématique des modèles.
• Documentation complète : des recherches approfondies et des années d’études rendent ImageNet accessible aux débutants comme aux experts, en fournissant des informations et des conseils précieux pour les projets de vision par ordinateur.

Cependant, comme tout jeu de données, il présente certaines limites. Voici quelques difficultés à prendre en compte :

• Exigences computationnelles : sa taille considérable peut poser des difficultés aux petites équipes disposant de ressources informatiques limitées.
• Absence de données temporelles : comme il contient uniquement des images statiques, il peut ne pas répondre aux besoins des applications nécessitant des vidéos ou des données 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, ce qui peut 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). Dans la détection OBB, des boîtes englobantes orientées sont utilisées pour s’aligner plus précisément sur l’orientation réelle des objets dans l’image. Cette méthode est particulièrement efficace pour les images aériennes, où les objets apparaissent souvent sous différents angles, ce qui permet une localisation plus précise et une meilleure détection globale.

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 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 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 différents, comme des véhicules, des ports et des 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 la direction des objets.
• Images mult échelles : le jeu de données comprend des images de différentes tailles, aidant les modèles à apprendre à détecter des objets à de petites comme à de grandes échelles.

Bien que DOTA-v2 possède de nombreux atouts, voici quelques limites que les utilisateurs doivent garder à l’esprit :

• Étapes de téléchargement supplémentaires : en raison de la manière dont le jeu de données DOTA est maintenu, 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 des efforts supplémentaires lors de 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.

Jeu 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 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 provenant de domaines comme la santé, les vues aériennes et les jeux vidéo.

Voici quelques-uns des principaux avantages de l’utilisation 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.
• Encourage l’amélioration des modèles : la variabilité et les difficultés propres à chaque domaine dans RF100 révèlent les lacunes des modèles actuels, orientant la recherche vers des solutions de détection d’objets plus adaptables et plus robustes.
• Format d’image cohérent : toutes les images sont redimensionnées à 640x640 pixels. Cela aide les utilisateurs à entraîner des modèles sans devoir ajuster la taille des images.

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

• Limité en matière de tâches : RF100 est conçu pour la détection d’objets et ne peut donc pas prendre en charge des tâches comme la segmentation ou la classification.
• Orientation vers l’évaluation comparative : RF100 est principalement conçu comme outil d’évaluation comparative plutôt que pour entraîner des modèles destinés à des applications réelles ; ses résultats peuvent donc ne pas être entièrement transposables à des scénarios de déploiement pratiques.
• Variabilité des annotations : comme RF100 regroupe des jeux de données issus du crowdsourcing, la qualité des annotations et les pratiques d’étiquetage peuvent manquer de cohérence, ce qui peut avoir un impact sur l’évaluation et l’affinage 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. Il est conçu pour la détection d’objets, la segmentation et la génération de légendes d’images, ce qui en fait une ressource précieuse pour de nombreux projets. Ses étiquettes 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 s’avère utile pour diverses tâches, des projets simples aux projets complexes. Il est devenu une référence dans le domaine de l’IA de vision et est fréquemment utilisé dans des défis et des compétitions pour évaluer les performances des modèles.

Voici quelques-uns de ses atouts :

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

Voici également quelques facteurs limitants à connaître :

• Exigences computationnelles élevées : en raison de sa taille et de sa complexité, l’entraînement de modèles sur COCO peut nécessiter des ressources informatiques importantes, ce qui représente un défi pour les équipes disposant d’un matériel limité.
• Déséquilibre des données : certaines catégories d’objets comptent beaucoup plus d’images que d’autres, ce qui peut entraîner un biais lors de 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 petites équipes qui manquent d’expérience dans l’utilisation de jeux de données structurés d’IA de vision.

Jeu de données Open Images V7#

Open Images V7 est un immense jeu de données open source organisé par Google, qui comprend plus de 9 millions d’images annotées pour 600 catégories d’objets. Il propose différents types d’annotations et est idéal pour traiter des tâches complexes de vision par ordinateur. Son ampleur et sa richesse en font une ressource complète pour l’entraînement et le test de modèles de vision par ordinateur.

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

De plus, la popularité du jeu de données Open Images V7 dans la recherche offre de nombreuses ressources et exemples dont les utilisateurs peuvent s’inspirer. Cependant, sa taille considérable peut rendre le téléchargement et le traitement longs, en particulier pour les petites équipes. Un autre problème est que certaines annotations peuvent manquer de cohérence, ce qui nécessite des efforts supplémentaires pour nettoyer les données. Par ailleurs, l’intégration n’est pas toujours fluide, et une préparation supplémentaire peut donc être nécessaire.

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 spécifique : trouver une bonne correspondance aide ton modèle à acquérir les compétences adéquates. Le jeu de données doit également s’intégrer facilement à tes outils, afin que tu puisses te concentrer davantage sur la création de ton modèle et moins sur la résolution des 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 diversifiés et correctement annotés sont particulièrement importants, car ils permettent aux modèles de fonctionner de manière fiable dans des situations réelles et réduisent les erreurs causées par des données limitées ou de mauvaise qualité.

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

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