Les 8 meilleurs outils et algorithmes open source de suivi d’objets

Lorsqu’une voiture brûle un feu rouge et qu’une contravention automatisée est envoyée au conducteur, ou qu’un joueur de football dribble sur le terrain tandis que la caméra suit le jeu avec fluidité, l’IA travaille discrètement en arrière-plan. En particulier, ces systèmes s’appuient sur la vision par ordinateur, un sous-domaine de l’IA qui permet aux machines de voir, d’interpréter et de comprendre les informations visuelles du monde.

En vision par ordinateur, l’une des tâches clés qui sous-tendent ces applications est le suivi d’objets. Il sert à identifier les objets dans chaque image d’une vidéo, puis à les suivre lorsqu’ils se déplacent, se chevauchent ou changent de direction.

Il existe aujourd’hui de nombreux outils de suivi d’objets et algorithmes, chacun étant conçu pour des cas d’usage, des besoins de performance et des niveaux de complexité différents. Certains privilégient la vitesse et peuvent suivre des dizaines d’objets en temps réel, tandis que d’autres misent sur la précision ou la stabilité à long terme dans des conditions difficiles, comme l’occultation, les mouvements rapides ou une faible luminosité.

Plus précisément, les projets open source ont joué un rôle majeur dans les progrès de ce domaine. Comme leur code est accessible à tous, les développeurs et les chercheurs peuvent étudier leur fonctionnement, améliorer les méthodes existantes et les adapter à de nouvelles applications. Cette ouverture a accéléré l’évolution du suivi d’objets et facilité son intégration dans les systèmes du monde réel.

Dans cet article, nous allons découvrir huit outils et algorithmes populaires de suivi d’objets open source.

Qu’est-ce que le suivi d’objets ?#

Imagine un agent de sécurité qui regarde les images de vidéosurveillance d’un parking. Il décide de garder un œil sur une voiture rouge. À mesure que la vidéo défile, il repère mentalement cette voiture et la suit partout, même lorsque d’autres voitures passent ou que des personnes la masquent.

Le suivi d’objets par l’IA fonctionne de façon similaire, mais automatiquement et à grande échelle. Autrement dit, le suivi d’objets consiste à suivre un objet au fil des images d’une vidéo et à préserver son identité d’une image à l’autre.

Dans de nombreux systèmes, le processus commence par la détection d’objets, qui repère et étiquette les objets comme les personnes, les véhicules ou les panneaux de signalisation dans chaque image. Ensuite, lorsque ces objets se déplacent, apparaissent, disparaissent ou se chevauchent, le système de suivi relie les détections d’une image à l’autre afin de savoir quel est chaque objet et où il se déplace au fil du temps.

Fig. 1. Aperçu du suivi d’objets (Source)

Il existe deux types courants de suivi : le suivi d’objet unique (SOT), qui se concentre sur un objet principal (par exemple, suivre uniquement le ballon dans une vidéo sportive), et le suivi multi-objets (MOT), qui suit plusieurs objets à la fois et attribue un identifiant unique à chacun (par exemple, suivre toutes les voitures à un carrefour fréquenté).

Quel que soit le type de suivi, la plupart des systèmes reposent sur trois composants essentiels : un détecteur qui repère les objets dans chaque image, un modèle de mouvement qui prédit leurs déplacements probables et une étape d’association qui relie les nouvelles détections aux objets déjà suivis. Ces éléments transforment une vidéo brute en informations utiles sur les déplacements et les interactions des objets au fil du temps.

Pourquoi utiliser des outils de suivi d’objets open source#

Avant d’entrer dans les détails, tu te demandes peut-être ce qui rend les outils et algorithmes open source de suivi d’objets si particuliers.

Les outils open source ont largement contribué à rendre le suivi d’objets plus facile à utiliser et plus accessible. Comme le code est ouvert, les développeurs et les chercheurs peuvent voir exactement comment fonctionne un système de suivi, en tirer des enseignements et l’adapter à leurs propres projets, au lieu de le considérer comme une boîte noire.

Ils bénéficient aussi de communautés actives. De nombreux outils de suivi open source sont maintenus par des contributeurs qui ajoutent de nouvelles fonctionnalités, améliorent la vitesse et la précision, corrigent les bogues et veillent à ce que les outils restent à jour avec les dernières recherches. Cette collaboration continue les aide à rester fiables et utiles dans diverses applications.

Le coût est une autre raison importante de leur intérêt. Comme les outils open source sont gratuits, les étudiants, les startups et les petites équipes peuvent expérimenter, créer des prototypes et développer de véritables systèmes sans se soucier des frais de licence ou des coûts d’abonnement.

Les 8 meilleurs outils et algorithmes open source de suivi d’objets#

Il existe aujourd’hui un large éventail d’options open source pour créer des systèmes de suivi. Certaines sont des algorithmes ou des modèles de suivi que tu peux intégrer directement à ton pipeline, tandis que d’autres sont des bibliothèques et des frameworks qui facilitent l’exécution, la gestion et l’intégration de ces modèles. Ensemble, ils couvrent tout, de la logique de suivi de base aux outils nécessaires à un véritable projet.

Passons maintenant en revue huit outils et algorithmes open source populaires de suivi d’objets.

1. Modèles Ultralytics YOLO et package Python Ultralytics#

L’une des solutions les plus simples et pratiques pour le suivi d’objets consiste à utiliser les modèles Ultralytics YOLO avec le package Python Ultralytics. Les modèles Ultralytics YOLO comme Ultralytics YOLO11 et le plus récent Ultralytics YOLO26 sont des modèles de vision par ordinateur qui prennent en charge un éventail de tâches de vision, notamment la détection d’objets, la segmentation d’instances, l’estimation de pose et le suivi d’objets.

Fig. 2. Exemple d’utilisation de YOLO11 pour détecter et suivre des objets. (Source)

Fait intéressant, les modèles eux-mêmes ne suivent pas les objets d’une image à l’autre. Le package Python Ultralytics, une bibliothèque qui simplifie l’exécution et le déploiement des modèles Ultralytics YOLO, rend le suivi possible en associant les détections de YOLO image par image à des algorithmes dédiés de suivi multi-objets tels que BoT-SORT et ByteTrack.

Grâce à la fonctionnalité de suivi intégrée, le package Ultralytics et les modèles Ultralytics YOLO peuvent détecter des objets dans chaque image, puis leur attribuer des identifiants cohérents afin de les suivre lorsqu’ils se déplacent, se chevauchent, sortent du champ ou y réapparaissent. Cette approche est de plus en plus adoptée dans des secteurs comme la fabrication et le commerce de détail, et permet des applications telles que les processus d’inspection des défauts, le suivi des flux de stocks et le suivi des clients en magasin.

2. Traceurs OpenCV#

OpenCV est une vaste bibliothèque de vision par ordinateur qui comprend une collection d’algorithmes de suivi d’objets. La communauté OpenCV développe et maintient cette bibliothèque depuis 1999.

Au lieu de s’appuyer sur l’apprentissage profond, la plupart de ces traceurs utilisent des méthodes traditionnelles de vision par ordinateur, comme les filtres de corrélation et les techniques fondées sur les noyaux (qui suivent un objet en faisant correspondre son apparence visuelle, comme sa couleur et sa texture, d’une image à la suivante, plutôt qu’en apprenant des caractéristiques à l’aide de réseaux neuronaux).

Lorsque tu utilises ces algorithmes, tu peux généralement commencer par sélectionner l’objet à suivre ; le traceur recherche ensuite en continu la région visuelle la plus similaire dans les images suivantes, au fur et à mesure que l’objet se déplace.

Fig. 3. Suivi d’objets avec OpenCV (Source)

Même si ces méthodes sont parfois moins robustes que les systèmes modernes de suivi fondés sur l’apprentissage profond dans les scènes complexes ou encombrées, elles restent largement utilisées, car elles sont légères, rapides et faciles à exécuter. De plus, comme ces traceurs fonctionnent efficacement sur des CPU et ne nécessitent généralement pas de GPU, ils conviennent bien aux expérimentations rapides, à l’apprentissage en classe et aux projets amateurs.

3. ByteTrack#

ByteTrack est l’un des algorithmes open source les plus populaires pour le suivi multi-objets. Au lieu de ne faire correspondre que les détections dont le modèle est très sûr, il exploite également les détections à faible confiance que de nombreux systèmes ignorent habituellement.

Cela l’aide à suivre les objets difficiles à voir momentanément, par exemple lorsqu’ils sont partiellement masqués, éloignés ou en mouvement rapide. ByteTrack étant rapide et fiable, il est couramment utilisé dans des applications comme l’analyse du trafic, le suivi des piétons et la surveillance du commerce de détail, où les performances en temps réel et la cohérence des identifiants sont importantes.

Comme indiqué plus haut, si tu utilises des modèles Ultralytics YOLO pour la détection, tu peux facilement activer ByteTrack avec le package Python Ultralytics. ByteTrack peut aussi être utilisé indépendamment dans des pipelines personnalisés ; il convient donc aussi bien aux prototypes de recherche qu’aux systèmes de production écrits en C++.

4. DeepSORT#

DeepSORT est un autre algorithme largement utilisé pour le suivi multi-objets. Son nom est l’abréviation de Deep Simple Online and Real-Time Tracking. Il s’agit d’une version avancée de SORT, acronyme de Simple Online and Real-Time Tracking.

Comme ByteTrack, SORT adopte une approche de suivi par détection. Toutefois, SORT s’appuie sur un filtre de Kalman, un modèle mathématique qui estime la position future d’un objet à partir de ses déplacements passés, pour prédire où chaque objet est susceptible de se déplacer ensuite.

Il fait ensuite correspondre les nouvelles détections aux pistes existantes, principalement en fonction de la position et du chevauchement des boîtes englobantes. SORT est ainsi rapide et léger, mais peut rencontrer des difficultés lorsque des objets se chevauchent, se croisent ou disparaissent momentanément du champ.

DeepSORT améliore SORT en ajoutant des informations d’apparence au processus de suivi. En plus du mouvement et de la position, il utilise un modèle d’apprentissage profond de réidentification (re-ID) qui apprend à reconnaître l’apparence des objets. Le traqueur peut ainsi reconnaître un même objet d’une image à l’autre, même lorsque le mouvement ne suffit pas à le distinguer des autres.

DeepSORT est donc couramment utilisé dans des applications comme la vidéosurveillance et la surveillance des foules, où les personnes se chevauchent souvent ou sont brièvement occultées. Il est toutefois considéré aujourd’hui comme une méthode de référence classique, et les méthodes de suivi plus récentes obtiennent souvent de meilleurs résultats dans les scènes plus difficiles.

5. Norfair#

Norfair est une bibliothèque de suivi légère conçue pour être flexible, plutôt que de t’imposer un pipeline de suivi fixe. Elle peut ajouter le suivi à presque n’importe quel détecteur, à condition que ses sorties puissent être représentées sous forme d’un ensemble de points, comme les centres de boîtes englobantes, des points clés ou des données de coordonnées personnalisées.

Fig. 4. Suivi d’objets dans le monde réel avec Norfair (Source)

Cette flexibilité est particulièrement utile pour les projets qui impliquent des entrées inhabituelles ou des schémas de mouvement dynamiques, pour lesquels les outils standard de suivi multi-objets peuvent montrer leurs limites. La bibliothèque fournit également des fonctions de distance intégrées permettant de contrôler la mise en correspondance des détections d’une image à l’autre.

Ces fonctions de distance mesurent la similarité entre deux points ou objets et donnent aux utilisateurs un contrôle total sur la logique de suivi. Norfair est souvent utilisé en robotique, pour l’analyse des mouvements sportifs, la navigation des drones et les applications qui reposent fortement sur le suivi des repères de pose ou des points clés.

6. MMTracking#

MMTracking est une boîte à outils open source de suivi développée par l’équipe OpenMMLab, également à l’origine de bibliothèques de vision par ordinateur largement utilisées comme MMDetection. S’appuyant sur MMDetection, elle fournit un framework flexible pour développer et expérimenter des systèmes de suivi.

L’un de ses principaux atouts est sa conception modulaire. Au lieu de t’enfermer dans un pipeline unique, MMTracking te permet de configurer et de remplacer différents composants, comme les détecteurs, les modules de suivi et, dans certaines configurations, les modèles de réidentification. Grâce à cette flexibilité, la bibliothèque est particulièrement populaire dans la recherche et les projets avancés où les équipes souhaitent comparer des méthodes, tester de nouvelles idées ou affiner des pipelines de suivi.

7. FairMOT#

FairMOT est un framework de suivi multi-objets conçu pour suivre de nombreux objets simultanément. Contrairement aux pipelines traditionnels de suivi par détection, qui commencent par effectuer la détection puis associent les objets d’une image à l’autre au cours d’une étape distincte, FairMOT apprend conjointement la détection et la réidentification au sein d’un seul réseau.

Fig. 5. Fonctionnement du framework FairMOT (Source)

Cette approche conjointe l’aide à maintenir des identités plus cohérentes, en particulier dans les scènes encombrées où les personnes se chevauchent souvent ou se déplacent rapidement. FairMOT est couramment utilisé dans des situations comme le suivi des piétons et la surveillance des foules. Il est également appliqué dans des domaines comme l’analyse du commerce de détail et la surveillance du trafic, où il est important de suivre de nombreuses cibles en temps réel.

8. SiamMask#

SiamMask est une méthode de suivi d’objet unique qui va plus loin que de nombreux traceurs en produisant un masque de segmentation en plus d’une boîte englobante. En bref, elle ne se contente pas de dessiner un rectangle autour de la cible : elle délimite aussi la forme de l’objet au niveau du pixel, ce qui peut être utile lorsque la cible change de forme, pivote ou est partiellement masquée.

Fig. 6. Suivi et segmentation d’un objet avec SiamMask (Source)

Cette approche repose sur une architecture de suivi siamoise : le traceur commence par prendre une petite vue de référence de la cible dans la première image, souvent appelée modèle de référence. Dans chaque nouvelle image, il recherche ensuite dans une région plus vaste et repère l’endroit qui ressemble le plus à ce modèle.

SiamMask s’appuie sur cette idée de mise en correspondance. La méthode prédit également un masque de la cible au niveau du pixel, ce qui permet d’obtenir à la fois la position de l’objet et un contour plus précis au fil de la vidéo.

Facteurs clés à prendre en compte pour choisir un outil de suivi d’objets#

Parmi les nombreuses options d’outils open source de suivi d’objets disponibles aujourd’hui dans le domaine de l’IA, le meilleur choix pour ton projet de vision par ordinateur dépend des besoins de ton cas d’usage. Voici quelques facteurs à prendre en compte :

• Précision : Elle est particulièrement importante dans les scènes encombrées ou visuellement complexes, où le système de vision doit maintenir des identifiants stables malgré les chevauchements, les occultations ou les mouvements rapides.
• Vitesse : Pour les applications en temps réel comme la robotique, la surveillance du trafic et l’analyse sportive, la réactivité peut compter davantage qu’une précision parfaite.
• Facilité d’intégration : Certains outils de suivi d’objets sont faciles à intégrer et ne nécessitent que quelques lignes de code, tandis que d’autres demandent davantage de configuration ou un travail personnalisé sur le pipeline.
• Contraintes de déploiement : L’environnement cible, comme des serveurs GPU, des appareils en périphérie ou du matériel mobile, peut déterminer quelle approche de suivi est viable.
• Évolutivité : Si ton système doit suivre de nombreux objets à la fois ou traiter plusieurs flux vidéo, le traceur doit pouvoir monter en charge efficacement sans forte baisse de performances.

Chaque outil ou algorithme de suivi d’objets répond à un objectif différent. En définitive, le bon choix dépend de tes exigences spécifiques, de tes contraintes d’exécution, de tes indicateurs de performance et du degré de personnalisation requis pour l’approche de suivi de ton projet.

Points clés à retenir#

Le suivi d’objets a évolué, passant des premières techniques conçues manuellement aux systèmes d’apprentissage profond de pointe actuels, capables d’interpréter les mouvements, les identités et les comportements avec une précision remarquable. Les outils open source ont largement contribué à ces progrès. Ils démocratisent l’accès à des algorithmes puissants, encouragent l’expérimentation et permettent aux chercheurs de créer des pipelines de suivi sophistiqués sans licences restrictives ni infrastructure lourde.

Consulte notre communauté et notre dépôt GitHub pour en savoir plus sur l’IA. Découvre nos pages de solutions sur l’IA dans l’agriculture et la vision par ordinateur dans la fabrication. Découvre nos options de licence et commence à créer ton propre modèle de vision.