3 octobre 2025
De la mauvaise visibilité à l’éblouissement, découvrez ce qui fait de la précision de la détection vidéo de nuit un défi, et comment la vision par ordinateur améliore la sécurité et la fluidité.
Les routes ne se présentent pas de la même manière dans l'obscurité, non seulement pour les conducteurs, mais aussi pour les systèmes chargés d'assurer leur sécurité. Une mauvaise visibilité, l'éblouissement des phares et les réflexions rapides peuvent rendre la détection des véhicules de nuit plus difficile.
Les méthodes traditionnelles, telles que l'observation manuelle ou les caméras basées sur le mouvement, reposent principalement sur le jugement humain et des indices de mouvement simples. Cela peut être peu fiable dans des conditions de faible luminosité ou de trafic complexe. Ces méthodes peuvent mal identifier les véhicules ou les piétons, ce qui entraîne de fausses détections ou des observations manquées.
L'intelligence artificielle (IA), l'apprentissage profond et la vision par ordinateur peuvent combler le fossé en automatisant la détection et la reconnaissance des véhicules. En particulier, la vision par ordinateur est une branche de l'IA qui permet aux machines de voir et d'interpréter les données visuelles. En ce qui concerne la détection vidéo de la circulation nocturne, les modèles de Vision IA peuvent aller au-delà de la luminosité ou du mouvement, en apprenant à reconnaître des modèles complexes qui améliorent la précision.
Par exemple, les modèles de vision par ordinateur tels que Ultralytics YOLO26 et Ultralytics YOLO11 sont connus pour leur vitesse et leur précision. Ils peuvent traiter des données vidéo et image en temps réel, en détectant et en classant plusieurs objets dans une image et en les suivant à travers des séquences.
Ces capacités sont rendues possibles grâce à diverses tâches de vision, telles que la détection d'objets et la segmentation d'instances, même lorsque les phares, les ombres ou les véhicules qui se chevauchent rendent la détection difficile. Elles permettent au modèle d'identifier, de classer et de différencier les objets.
Dans cet article, nous allons explorer les défis de la surveillance du trafic nocturne, voir comment la vision par ordinateur les relève et où la Vision IA est appliquée dans les systèmes de surveillance du trafic du monde réel. Commençons !
Avant d'explorer comment la vision par ordinateur résout les défis de la détection du trafic nocturne, examinons pourquoi il est si difficile de repérer les véhicules après la tombée de la nuit. Voici quelques facteurs à prendre en compte :
Les modèles de vision par ordinateur sont entraînés à l'aide de vastes collections d'images appelées jeux de données. Ces jeux de données sont soigneusement étiquetés avec les objets qu'ils contiennent, tels que des voitures, des camions, des piétons et des vélos, et servent de base à l'entraînement. En étudiant ces exemples étiquetés, le modèle apprend à reconnaître des motifs, ce qui lui permet d'identifier et de détecter des objets dans de nouvelles séquences vidéo.
Pendant l'entraînement, le modèle extrait des caractéristiques des données et les utilise pour améliorer la précision de la détection. Ce processus permet de réduire les détections manquées et les fausses alarmes lorsque le modèle est exposé à des scènes de trafic réelles.
Cependant, la construction d'ensembles de données ou de collections de données pour les conditions nocturnes est beaucoup plus difficile. La mauvaise qualité vidéo rend l'étiquetage fastidieux et sujet aux erreurs. De plus, les événements rares mais importants, tels que les accidents ou les comportements de conduite inhabituels, peuvent être difficiles à capturer dans des environnements nocturnes. Il en résulte un nombre limité d'exemples d'entraînement pour que les modèles puissent apprendre.
Pour résoudre ce problème, les chercheurs ont développé des ensembles de données de référence spécialisés. Un ensemble de données de référence est plus qu'une simple collection d'images. Il comprend des étiquettes standardisées, des protocoles d'évaluation et des mesures de performance telles que la précision, le rappel et la précision moyenne (mAP). Ces mesures permettent de tester et de comparer différents algorithmes dans les mêmes conditions, garantissant ainsi une évaluation équitable et cohérente.
Par exemple, l'ensemble de données de référence ExDark contient 7 363 images en basse lumière réparties dans 12 catégories d'objets (vélo, bateau, bouteille, bus, voiture, chat, chaise, tasse, chien, moto, personnes, table). Chaque image est annotée avec des boîtes englobantes, et l'ensemble de données est largement utilisé dans la recherche pour évaluer la détection et la classification d'objets dans des conditions de faible éclairage.
De même, l'ensemble de données de référence NightOwls fournit environ 115 000 images nocturnes avec environ 279 000 annotations de piétons. Il est devenu une ressource clé pour évaluer les systèmes de détection de piétons, qui jouent un rôle essentiel dans la sécurité routière et les systèmes avancés d'aide à la conduite (ADAS).
Maintenant que nous comprenons mieux les défis impliqués et la nécessité de disposer d'ensembles de données, examinons de plus près comment les systèmes basés sur la vision peuvent interpréter les vidéos de circulation nocturne.
Les modèles comme YOLO11 et YOLO26 prennent en charge les tâches de vision par ordinateur telles que la détection d'objets, le suivi et la segmentation d'instances, ce qui permet d'analyser le trafic même dans des conditions de faible luminosité. Voici un aperçu des tâches de Vision IA que ces modèles prennent en charge pour l'analyse du trafic nocturne :
Nous avons discuté de l'entraînement des modèles, de la nécessité de disposer d'ensembles de données et des tâches que prennent en charge les modèles tels que YOLO11 et YOLO26. Mais pour tout assembler, il reste un concept à examiner : comment ces modèles sont-ils réellement appliqués à la surveillance nocturne.
Prêts à l'emploi, les modèles Ultralytics YOLO sont disponibles en versions pré-entraînées, ce qui signifie qu'ils ont déjà été entraînés sur de grands ensembles de données à usage général, tels que l'ensemble de données COCO, qui couvre de nombreux objets du quotidien. Cela confère au modèle une solide capacité de base pour détecter et classifier les objets.
Cependant, comme ces ensembles de données contiennent très peu d'exemples de faible luminosité ou de nuit, les modèles pré-entraînés ne sont pas très performants pour gérer efficacement l'éblouissement, les ombres ou le faible contraste. Pour qu'ils aient un impact sur la détection vidéo du trafic nocturne, ils doivent être affinés sur des ensembles de données spécialisés qui reflètent les conditions nocturnes réelles.
L'affinage ou l'entraînement personnalisé implique l'entraînement du modèle sur des images étiquetées supplémentaires capturées dans des conditions de faible luminosité, telles que des véhicules sous l'éblouissement des phares, des piétons sur des passages cloutés ou des intersections bondées la nuit, afin qu'il apprenne les caractéristiques uniques des scènes nocturnes.
Une fois entraîné sur mesure, le modèle peut prendre en charge des tâches telles que la détection, le suivi, la segmentation ou la classification avec une précision bien supérieure dans des conditions de faible luminosité. Cela permet aux autorités de la circulation d'appliquer ces modèles à des cas d'utilisation pratiques tels que le comptage des véhicules, l'estimation de la vitesse, le contrôle adaptatif des signaux et la prévention des accidents la nuit.
Ensuite, examinons comment la vision par ordinateur peut être adoptée dans les systèmes de circulation nocturne du monde réel.
Les intersections urbaines sont parmi les zones les plus difficiles à gérer, surtout la nuit lorsque la visibilité diminue et que la circulation devient moins prévisible. Les feux de signalisation traditionnels reposent sur des minuteries fixes qui ne peuvent pas réagir aux changements en temps réel. La recherche montre que cela gaspille non seulement du temps pour les conducteurs, mais entraîne également une consommation de carburant et des retards inutiles.
C'est précisément là que les systèmes de vision par ordinateur peuvent aider à surmonter ce défi. Ces systèmes peuvent surveiller les mouvements des véhicules et détecter le nombre de véhicules en temps réel. Les données sont ensuite transmises à des systèmes de contrôle adaptatif du trafic. Cela permet aux feux de s'adapter rapidement en fonction des conditions réelles de la route. Ainsi, si une voie est encombrée alors qu'une autre est vide, le temps de signalisation peut être ajusté instantanément pour éliminer les goulets d'étranglement.
La conduite de nuit est plus risquée que celle de jour, car la visibilité réduite, l'éclairage irrégulier et l'éblouissement font que les conducteurs ont plus de mal à évaluer les distances. En fait, des études montrent que le taux d'accidents mortels par kilomètre la nuit peut être jusqu'à trois fois plus élevé que le jour.
Les méthodes de surveillance conventionnelles, telles que les caméras de surveillance fixes, les patrouilles routières, les capteurs de présence de véhicules et les systèmes de signalisation à temps fixe, fonctionnent de manière réactive et peuvent ne pas détecter les situations dangereuses suffisamment tôt pour les empêcher de se produire.
Les solutions de vision par ordinateur peuvent répondre à cette préoccupation en analysant les flux vidéo en direct et en détectant les schémas inhabituels sur la route ou l'autoroute. Grâce au suivi d'objets, ces systèmes peuvent surveiller le comportement des véhicules en temps réel et déclencher des alertes lorsque quelque chose semble anormal.
Par exemple, si un véhicule en mouvement change de voie, se déplace trop rapidement dans une zone congestionnée ou ralentit soudainement, le système peut le signaler en temps réel. Cela signifie que les autorités peuvent réagir rapidement et prévenir les accidents avant qu'ils ne se produisent.
Pour les véhicules autonomes et les systèmes ADAS, la conduite de nuit pose des défis spécifiques. La faible visibilité et les schémas de circulation imprévisibles rendent plus difficile le fonctionnement fiable des capteurs traditionnels, ce qui soulève des problèmes de sécurité.
La vision par ordinateur améliore ces systèmes en gérant des tâches telles que la détection d'objets, le suivi de voie et la segmentation, permettant aux véhicules de reconnaître les piétons, les autres voitures et les obstacles, même dans de mauvaises conditions d'éclairage. Combinée au radar ou au LiDAR (Light Detection and Ranging), qui cartographient l'environnement en 3D, la couche visuelle supplémentaire aide les ADAS à fournir des alertes précoces et donne aux véhicules autonomes la conscience dont ils ont besoin pour naviguer plus sûrement la nuit.
L'excès de vitesse est responsable d'un décès sur trois sur les routes dans le monde, et le risque ne fait qu'empirer la nuit. L'obscurité rend plus difficile pour la police de la circulation de constater les infractions, car les détails qui sont clairs à la lumière du jour sont souvent flous après la tombée de la nuit.
C'est pourquoi les infractions telles que les excès de vitesse sur les routes vides, le fait de brûler les feux rouges ou de se déporter sur la mauvaise voie restent souvent impunies. La vision par ordinateur s'attaque à ce problème en utilisant des caméras infrarouges pour repérer les infractions, même dans des conditions de faible luminosité. Ces systèmes créent des zones de détection où les incidents sont enregistrés, ce qui réduit les faux positifs et fournit des preuves claires et vérifiables. Pour les autorités de transport, cela signifie moins d'angles morts et une dépendance moindre à l'égard des contrôles manuels.
Voici quelques avantages de l'utilisation de la Vision IA pour la détection de vidéos de circulation nocturne.
Malgré ses avantages, la détection du trafic nocturne à l'aide de la Vision IA présente également certaines limites. Voici quelques facteurs à garder à l'esprit :
À mesure que les villes se développent et que les routes deviennent plus fréquentées, la détection du trafic nocturne évolue vers des systèmes plus intelligents et plus réactifs. Par exemple, les caméras thermiques et les capteurs infrarouges peuvent détecter les signatures thermiques des personnes et des véhicules, ce qui permet de voir même dans l'obscurité totale. Cela réduit les erreurs qui se produisent lorsque les caméras standard ont du mal avec l'éblouissement ou la faible luminosité.
Une autre approche de plus en plus répandue est la fusion caméra-LiDAR. Les caméras fournissent des images détaillées de la route, tandis que le LiDAR génère une carte 3D précise. Utilisés ensemble, ils améliorent la précision de la détection des voies, des véhicules et des obstacles, en particulier en cas de faible luminosité ou de brouillard modéré.
Parallèlement, les progrès dans l'amélioration des images en basse lumière, la reconnaissance des piétons et l'identification des plaques d'immatriculation élargissent les capacités de la vision par ordinateur. Grâce à ces améliorations, même les routes et les intersections mal éclairées peuvent être surveillées avec une plus grande fiabilité et moins d'erreurs.
La détection des véhicules la nuit a toujours été un défi pour la surveillance du trafic, mais la vision par ordinateur la rend plus gérable. En réduisant l'impact de l'éblouissement et en gérant les scènes de trafic complexes, elle fournit une image plus précise du comportement des routes après la tombée de la nuit. À mesure que ces systèmes continuent de progresser, ils ouvrent la voie à un transport plus sûr, plus intelligent et plus efficace la nuit.
Prêt à intégrer la Vision IA dans vos projets ? Rejoignez notre communauté active et découvrez des innovations telles que l'IA dans l'industrie automobile et la Vision IA dans la robotique. Visitez notre dépôt GitHub pour en savoir plus. Pour commencer dès aujourd'hui avec la vision par ordinateur, consultez nos options de licence.
