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

Lorsqu’une voiture grille un feu rouge et qu’une contravention automatisée est envoyée au conducteur, ou lorsqu’un joueur de football dribble sur le terrain et que la caméra suit l’action avec fluidité, l’IA travaille discrètement en arrière-plan. Plus précisément, ces systèmes reposent 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 qui les entoure.

Dans le domaine de la vision par ordinateur, l’une des tâches essentielles derrière 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 avec d’autres ou changent de direction.

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

Plus précisément, les projets open source ont joué un rôle majeur dans l’avancement de ce domaine. Comme leur code est accessible librement, les développeurs et les chercheurs peuvent étudier leur fonctionnement, améliorer les méthodes existantes et les adapter à de nouvelles applications. Cette ouverture a permis au suivi d’objets d’évoluer rapidement et de s’intégrer plus facilement aux systèmes du monde réel.

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

Qu’est-ce que le suivi d’objets ?#

Imagine un agent de sécurité qui regarde les images CCTV d’un parking. Il décide de garder un œil sur une voiture rouge. Au fil de la vidéo, il identifie mentalement cette voiture et continue de la suivre partout où elle va, même lorsque d’autres voitures passent devant elle ou que des personnes la masquent.

Le suivi d’objets alimenté par l’IA est similaire, mais il fonctionne automatiquement et à grande échelle. Autrement dit, le suivi d’objets consiste à suivre un objet lorsqu’il se déplace d’une image à l’autre d’une vidéo et à conserver son identité de manière cohérente entre les images.

Dans de nombreux systèmes, cela commence par la détection d’objets, qui repère et étiquette des objets comme des personnes, des véhicules ou des panneaux de signalisation dans chaque image. Ensuite, lorsque ces objets se déplacent, apparaissent, disparaissent ou se chevauchent, le système de suivi relie les détections entre les images afin de déterminer quel objet est lequel et où chacun se déplace au fil du temps.

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

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

Quel que soit le type de suivi, la plupart des systèmes reposent sur trois composants essentiels : un détecteur pour trouver les objets dans chaque image, un modèle de mouvement pour prédire comment ces objets sont susceptibles de se déplacer, et une étape d’association pour relier les nouvelles détections aux objets déjà suivis. Ces éléments transforment une vidéo brute en informations utiles sur la manière dont les objets se déplacent et interagissent au fil du temps.

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

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 simple à utiliser et plus accessible. Comme le code est ouvert, les développeurs et les chercheurs peuvent voir exactement comment fonctionne un système de suivi, apprendre à partir de celui-ci et l’adapter à leurs propres projets au lieu de le considérer comme une boîte noire.

Ils bénéficient également de communautés solides. De nombreux outils open source de suivi sont maintenus par des contributeurs actifs qui ajoutent de nouvelles fonctionnalités, améliorent la vitesse et la précision, corrigent les bugs et maintiennent les outils en phase avec les dernières recherches. Cette collaboration continue les aide à rester fiables et utiles dans différentes 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 vrais systèmes sans se soucier des frais de licence ou d’abonnement.

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

Il existe aujourd’hui une grande variété 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 fondamentale aux outils complémentaires nécessaires dans un projet réel.

Examinons maintenant huit outils et algorithmes open source populaires de suivi d’objets.

1. Modèles Ultralytics YOLO et package Python Ultralytics#

L’une des options les plus simples et les plus 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 prochain Ultralytics YOLO26 sont des modèles de vision par ordinateur qui prennent en charge diverses 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. En revanche, le package Python Ultralytics, une bibliothèque qui simplifie l’exécution et le déploiement des modèles Ultralytics YOLO, rend le suivi possible en combinant les détections image par image de YOLO avec des algorithmes dédiés de suivi de plusieurs objets comme BoT-SORT et ByteTrack.

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

2. Trackers OpenCV#

OpenCV est une vaste bibliothèque de vision par ordinateur qui comprend un ensemble d’algorithmes de suivi d’objets. Cette bibliothèque est développée et maintenue par la communauté OpenCV depuis 1999.

Au lieu de s’appuyer sur le deep learning, la plupart de ces trackers utilisent des méthodes traditionnelles de vision par ordinateur, comme les filtres de corrélation et les techniques fondées sur des noyaux (qui suivent un objet en comparant son apparence visuelle, comme sa couleur et sa texture, d’une image à l’autre, 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 que tu souhaites suivre ; le tracker recherche ensuite en continu la région visuelle la plus similaire dans les images suivantes, 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 le deep learning dans les scènes complexes ou très fréquentées, elles restent largement utilisées, car elles sont légères, rapides et faciles à exécuter. De plus, comme ces trackers fonctionnent efficacement sur les CPU et ne nécessitent généralement pas de GPU, ils conviennent bien aux expérimentations rapides, à l’apprentissage en classe et aux projets personnels.

3. ByteTrack#

ByteTrack est l’un des algorithmes open source les plus populaires pour le suivi de plusieurs objets. Au lieu de mettre en correspondance uniquement les détections dont le modèle est très sûr, il utilise également les détections à faible confiance que de nombreux systèmes ignorent habituellement.

Cela l’aide à suivre les objets qui sont momentanément difficiles à voir, par exemple lorsqu’ils sont partiellement masqués, éloignés ou se déplacent rapidement. Rapide et fiable, ByteTrack est couramment utilisé dans des applications comme l’analyse du trafic, le suivi des piétons et la surveillance des commerces, où les performances en temps réel et la cohérence des ID sont importantes.

Comme indiqué précédemment, si tu utilises les modèles Ultralytics YOLO pour la détection, tu peux facilement activer ByteTrack via le package Python Ultralytics. Il peut également être utilisé indépendamment dans des pipelines personnalisés, ce qui le rend adapté aussi bien aux prototypes de recherche qu’aux systèmes de production écrits en C++.

4. DeepSORT#

DeepSORT est un autre algorithme très utilisé pour le suivi de plusieurs objets, dont le nom est l’abréviation de suivi simple, en ligne et en temps réel approfondi (Deep Simple Online and Real-Time Tracking). Il s’agit d’une version avancée de SORT, qui signifie suivi simple, en ligne et en temps réel (Simple Online and Real-Time Tracking).

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

Il associe ensuite les nouvelles détections aux trajectoires existantes, principalement en fonction de la position et du chevauchement des cadres englobants. Cela rend SORT rapide et léger, mais il peut rencontrer des difficultés lorsque les objets se chevauchent, se croisent ou disparaissent brièvement du champ de vision.

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 de réidentification, ou re-id, fondé sur le deep learning, qui apprend à quoi ressemblent les objets. Le tracker peut ainsi reconnaître le même objet d’une image à l’autre, même lorsque le mouvement ne suffit pas à le distinguer des autres.

Pour cette raison, DeepSORT est couramment utilisé dans des applications comme la vidéosurveillance et la surveillance des foules, où les personnes se chevauchent souvent ou sont brièvement occultées. Cependant, il est aujourd’hui considéré comme une référence classique, et les nouvelles méthodes de suivi offrent souvent de meilleures performances 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 les sorties du détecteur puissent être représentées sous forme d’un ensemble de points, comme les centres de cadres englobants, des points clés ou des données de coordonnées personnalisées.

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

Cette flexibilité la rend particulièrement utile pour les projets impliquant des entrées inhabituelles ou des schémas de mouvement dynamiques, dans lesquels les outils standard de suivi de plusieurs objets peuvent atteindre leurs limites. La bibliothèque fournit également des fonctions de distance intégrées pour contrôler la manière dont les détections sont associées entre les images.

Ces fonctions de distance mesurent la similarité entre deux points ou objets, ce qui te donne 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 de repères de pose ou de 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. Construit au-dessus de MMDetection, il 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, il est particulièrement populaire dans la recherche et les projets avancés où les équipes souhaitent comparer des méthodes, tester de nouvelles idées ou ajuster des pipelines de suivi.

7. FairMOT#

FairMOT est un framework de suivi de plusieurs objets conçu pour suivre de nombreux objets simultanément. Contrairement aux pipelines traditionnels de suivi par détection, qui effectuent d’abord la détection puis relient les objets entre les images lors d’une étape distincte, FairMOT apprend conjointement la détection et la réidentification au sein d’un même réseau.

Fig. 5. Fonctionnement du framework FairMOT (Source)

Cette configuration conjointe l’aide à maintenir des identités plus cohérentes, en particulier dans les scènes très fréquentées où les personnes se chevauchent ou se déplacent rapidement. FairMOT est couramment utilisé dans des scénarios comme le suivi des piétons et la surveillance des foules. Il est également appliqué à des contextes 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’un seul objet qui va plus loin que de nombreux trackers en produisant un masque de segmentation en plus d’un cadre englobant. En termes simples, elle ne se contente pas de dessiner un rectangle autour de la cible. Elle décrit également la forme de l’objet au niveau du pixel, ce qui peut être utile lorsque la cible change de forme, pivote ou devient partiellement masquée.

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

Cette approche utilise une architecture de suivi siamoise, dans laquelle le tracker commence par prendre une petite vue de référence de la cible dans la première image, souvent appelée modèle. Puis, dans chaque nouvelle image, il recherche une région plus large et trouve l’emplacement présentant la plus grande similarité avec ce modèle.

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

Facteurs clés pour choisir un outil de suivi d’objets#

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

• Précision : Elle est particulièrement importante dans les scènes très fréquentées ou visuellement complexes, où le système de vision doit conserver des ID stables même en cas de chevauchement, d’occlusion ou de mouvements rapides.
• Vitesse : Pour les applications en temps réel comme la robotique, la surveillance du trafic et l’analyse sportive, la réactivité peut être plus importante qu’une précision parfaite.
• Facilité d’intégration : Certains outils de suivi d’objets sont faciles à intégrer et fonctionnent avec seulement quelques lignes de code, tandis que d’autres nécessitent davantage de configuration, de paramétrage ou de travail sur un pipeline personnalisé.
• Contraintes de déploiement : L’environnement cible, comme des serveurs équipés de GPU, des appareils edge ou du matériel mobile, peut déterminer quelle approche de suivi est réaliste.
• Évolutivité : Si ton système doit suivre de nombreux objets simultanément ou traiter plusieurs flux vidéo, le tracker doit pouvoir évoluer efficacement sans perte importante 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 métriques de performance et du niveau 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 de deep learning de pointe actuels, capables d’interpréter les mouvements, l’identité et le comportement avec une précision impressionnante. Les outils open source ont joué un rôle moteur dans cette progression. 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. Explore nos pages consacrées aux solutions d’IA dans l’agriculture et à la vision par ordinateur dans l’industrie manufacturière. Découvre nos options de licence et commence à créer ton propre modèle de vision.