Computer Vision (CV)

La vision par ordinateur (CV) est le domaine de l’intelligence artificielle (AI) qui permet aux ordinateurs et aux systèmes de tirer des informations utiles d’images numériques, de vidéos et d’autres entrées visuelles. Si l’IA permet aux machines de penser, la vision par ordinateur leur permet de voir, d’observer et de comprendre. Contrairement aux outils de traitement d’images fondés sur des règles, les systèmes modernes apprennent directement à partir des données : on ne leur indique jamais explicitement à quoi ressemble une voiture ou une tumeur ; ils repèrent plutôt les motifs sous-jacents dans des milliers d’exemples annotés et généralisent ces connaissances à des images qu’ils n’ont jamais rencontrées. En appliquant l’apprentissage automatique (ML) et l’apprentissage profond (DL), la vision par ordinateur transforme des données visuelles non structurées en décisions auxquelles les logiciels peuvent donner suite.

Fonctionnement de la vision par ordinateur#

Un ordinateur voit une image comme un tableau de valeurs numériques représentant les pixels. La transformation de ce tableau en action suit un pipeline en cinq étapes.

Acquisition d’image. Le flux de travail commence par du matériel — capteurs CMOS, caméras infrarouges ou scanners LiDAR — qui capture la lumière et la convertit en une grille de pixels numérique. Le calibrage de la caméra prend en compte la géométrie de l’objectif avant le début de l’analyse.

Prétraitement. Les données capturées sont normalisées pour fournir au modèle des entrées cohérentes : redimensionnement, réduction du bruit et ajustement du contraste.

Extraction de caractéristiques. Le système identifie des caractéristiques de bas niveau, comme les contours, les gradients et les angles. À mesure que les données progressent dans le réseau, ces éléments de base se combinent en caractéristiques de haut niveau — textures, motifs et géométries complexes. Un système peut détecter des lignes verticales, les reconnaître comme des poteaux de clôture, puis interpréter la scène comme une limite de propriété. Ce processus est appelé extraction de caractéristiques.

Inférence du modèle. Le moteur de la vision par ordinateur moderne est le réseau de neurones convolutif (CNN). Contrairement à un réseau de neurones classique qui traite une image comme une liste de nombres aplatie, les CNN préservent les relations spatiales entre les pixels en utilisant des filtres qui glissent sur l’image pour détecter des motifs, où qu’ils apparaissent dans le cadre. Plus récemment, les Vision Transformers (ViTs) se sont imposés comme une alternative puissante : ils appliquent aux images le mécanisme d’attention du traitement automatique du langage naturel.

Sortie et action. Le modèle renvoie un résultat structuré — une étiquette, un ensemble de boîtes englobantes ou un masque de pixels — auquel le système environnant donne suite : rejeter une pièce défectueuse, freiner un véhicule ou déclencher une alerte.

Comment un modèle apprend#

La qualité d’un modèle dépend de celle des données qu’il consomme. L’apprentissage supervisé nécessite de grands volumes de données d’entraînement, et des références comme ImageNet et COCO fournissent des millions d’exemples annotés. Pendant l’entraînement, le modèle effectue une prédiction, la compare à l’étiquette de vérité terrain, puis ajuste ses poids internes afin de réduire l’erreur. Une fois entraîné, ce même modèle réalise l’étape d’inférence décrite plus haut.

Le passage des systèmes fondés sur des règles à l’apprentissage profond#

Au début, la vision par ordinateur reposait sur l’ingénierie manuelle des caractéristiques : les ingénieurs définissaient des paramètres géométriques rigides pour aider les machines à reconnaître les objets. Ces systèmes étaient fragiles et échouaient dès que l’éclairage changeait ou qu’un objet apparaissait sous un angle inhabituel. La publication d’AlexNet en 2012, entraîné sur plus d’un million d’images ImageNet étiquetées, a marqué un tournant en démontrant que les réseaux convolutifs pouvaient surpasser à grande échelle les approches conçues manuellement. L’apprentissage profond a remplacé les règles réglées à la main par des architectures qui apprennent leurs propres caractéristiques — suffisamment flexibles pour fonctionner dans des conditions réelles qui ne sont jamais parfaitement contrôlées.

Vision par ordinateur, traitement d’images et vision industrielle#

Il est important de distinguer la vision par ordinateur des domaines voisins avec lesquels on la confond souvent.

• Le traitement d’images modifie une image pour l’améliorer ou en extraire un signal — en ajustant la luminosité, le contraste ou en appliquant des filtres. Le résultat est généralement une autre image. La vision par ordinateur prend une image en entrée et produit une interprétation (« il y a trois personnes dans cette pièce »). La vision par ordinateur utilise couramment le traitement d’images comme étape préparatoire.
• La vision industrielle désigne les systèmes d’inspection industrielle fonctionnant dans des environnements étroitement contrôlés, avec un éclairage fixe et des positions de pièces connues. La vision par ordinateur est une discipline plus vaste, conçue pour gérer des conditions imprévisibles et non contrôlées.
• Le traitement automatique du langage naturel traite le texte et la parole. La vision par ordinateur se concentre entièrement sur les données visuelles, même si les modèles vision-langage rapprochent de plus en plus ces deux domaines.

Principales tâches de vision par ordinateur#

La vision par ordinateur n’est pas une fonction unique, mais un ensemble de tâches distinctes, chacune répondant à un problème différent. Pour découvrir chacune d’elles en détail, consulte le guide complet des tâches de vision par ordinateur.

• La classification d’images attribue une seule étiquette à une image entière et répond à la question « que voit-on sur cette image ? » — par exemple, en classant les produits comme défectueux ou non défectueux. La reconnaissance d’images, qui identifie les éléments présents, est une tâche étroitement liée.
• La détection d’objets identifie des objets distincts et trace une boîte englobante autour de chacun, ce qui permet aux systèmes de compter et de localiser plusieurs objets dans une même image.
• La segmentation d’instances produit un masque au niveau des pixels pour chaque objet détecté, en séparant les instances individuelles d’une même classe. La segmentation sémantique, elle, attribue une classe à chaque pixel sans distinguer les instances.
• L’estimation de pose détecte les points clés d’un objet, comme les articulations du corps humain, afin de suivre les mouvements et la posture.
• Les boîtes englobantes orientées ajustent des boîtes inclinées aux objets qui ne sont pas alignés sur les axes — une fonction essentielle pour les images aériennes et satellitaires.
• Le suivi d’objets suit un objet dans un flux vidéo en conservant un ID cohérent d’une image à l’autre. Le flux optique étend cette capacité en analysant le mouvement apparent entre des images consécutives.
• La reconnaissance optique de caractères (OCR) convertit les images de texte imprimé ou manuscrit en données lisibles par machine, automatisant le traitement de documents à grande échelle.

Choisir la bonne tâche#

Associer dès le départ la tâche technique à l’objectif commercial permet d’éviter des reprises coûteuses.

Applications concrètes#

La vision par ordinateur est désormais au cœur des systèmes de production de la plupart des grands secteurs.

• Industrie manufacturière et contrôle qualité. Les lignes de production modernes fonctionnent plus vite que les capacités visuelles humaines. Les systèmes de vision réalisent instantanément le contrôle qualité, en détectant à la cadence de la ligne des fissures microscopiques ou des composants mal alignés, sans la fatigue qui s’accumule chez un inspecteur humain. La surveillance des signes d’usure des machines permet également une maintenance prédictive : les signes avant-coureurs d’une panne sont repérés avant qu’elle ne provoque un arrêt imprévu. Consulte les ressources sur la vision par ordinateur dans l’industrie manufacturière et la détection de défauts.
• Soins de santé et diagnostics. Les algorithmes d’analyse d’images médicales traitent les radiographies, les IRM et les scanners pour détecter des tumeurs à un stade précoce, des microfractures et des anomalies rétiniennes faciles à manquer sous la pression du temps. Au bloc opératoire, les systèmes de vision fournissent une cartographie spatiale en temps réel lors d’interventions mini-invasives. Consulte la ressource sur la vision par ordinateur dans les soins de santé.
• Commerce de détail. Les magasins sans caisse utilisent la fusion de capteurs et des algorithmes de vision pour suivre les articles retirés des rayons et facturer automatiquement les clients. Ces mêmes systèmes surveillent les niveaux en rayon en temps réel pour déclencher des alertes de réapprovisionnement, facilitant la gestion des stocks et la prévention des pertes dans le commerce de détail. Consulte la ressource sur la vision par ordinateur dans le commerce de détail.
• Transport autonome. La couche de perception est le composant le plus critique pour la sécurité d’une voiture autonome. Les systèmes de vision identifient en temps réel le marquage des voies, les panneaux de signalisation, les piétons et les autres véhicules. Ils combinent les données des caméras avec celles des radars et du LiDAR pour construire, grâce à la détection d’objets 3D, un modèle à 360 degrés de l’environnement du véhicule. Consulte la ressource sur les véhicules autonomes.
• Sécurité et surveillance. Les infrastructures de sécurité sont passées de l’enregistrement passif à l’intervention proactive : elles détectent les personnes qui s’attardent dans des zones réglementées, signalent les comportements inhabituels au moment où ils se produisent et facilitent la gestion des files d’attente dans les espaces publics. La détection d’anomalies est la capacité sous-jacente.
• Agriculture. Les drones et les tracteurs évaluent la santé des cultures à l’échelle de chaque plante en analysant des images multispectrales pour détecter la déshydratation, les infestations de ravageurs ou les carences nutritives. L’eau, les pesticides et les engrais sont ensuite appliqués uniquement là où c’est nécessaire, plutôt que sur des champs entiers. Consulte la ressource sur la vision par ordinateur en agriculture.

La vision par ordinateur en périphérie#

L’analyse visuelle en temps réel s’exécute de plus en plus en périphérie — directement sur la caméra ou une passerelle locale — plutôt que d’envoyer les vidéos à un serveur cloud centralisé. Deux raisons expliquent l’importance de cette approche.

La latence devient quasi nulle, ce qui est indispensable pour la robotique autonome ou l’inspection de lignes industrielles, où un retard de quelques millisecondes entraîne des erreurs. De plus, comme seuls les métadonnées transitent sur le réseau et non les vidéos brutes, les besoins en bande passante diminuent fortement et la confidentialité s’améliore, puisque les séquences sensibles ne quittent jamais l’appareil local. L’IA en périphérie et l’inférence en temps réel rendent cette approche possible, tandis que des options de déploiement de modèles comme ONNX et TensorRT permettent d’exécuter un même modèle entraîné sur du matériel varié.

Défis et limites#

Qualité des données. Un modèle reflète la qualité de ses données d’entraînement. Des jeux de données basse résolution, mal étiquetés ou non représentatifs produisent des modèles peu fiables, et constituer un jeu de données diversifié et annoté demande souvent plus de travail que la conception de l’algorithme. Consulte la ressource sur l’étiquetage des données.

Variables environnementales. Les fortes pluies, les reflets dans l’objectif, les occultations partielles et les variations d’échelle des objets dégradent les performances. Les systèmes robustes s’appuient sur l’augmentation de données pendant l’entraînement pour simuler ces conditions et renforcer leur résilience avant le déploiement, ainsi que sur une validation rigoureuse pour éviter le surapprentissage.

Considérations éthiques et biais. Un modèle entraîné sur un jeu de données dépourvu de diversité démographique donnera des résultats inégaux selon les groupes de population. Les organisations qui déploient des systèmes analysant des personnes — en imagerie médicale, en sécurité au travail ou dans les espaces publics — doivent vérifier l’équité de leurs jeux de données et respecter les nouvelles réglementations sur la prise de décision automatisée.

L’avenir de la vision par ordinateur#

Les Vision Transformers redéfinissent ce qu’il est possible de réaliser pour les tâches qui nécessitent de comprendre les relations entre des parties éloignées d’une image. Par ailleurs, l’apprentissage multimodal combine les données visuelles au texte, à l’audio et à la profondeur pour créer des systèmes dotés d’une compréhension contextuelle plus riche — les modèles vision-langage capables de répondre à des questions sur des images en sont un exemple précoce.

L’IA générative s’attaque directement au manque de données. Les données synthétiques permettent de créer des images hyperréalistes de situations rares — des modes de défaillance précis ou des manifestations inhabituelles de maladies — impossibles à recueillir en quantité suffisante dans le monde réel. Parallèlement, les caméras de détection de profondeur et le LiDAR font évoluer les systèmes au-delà de l’analyse d’images planes vers l’informatique spatiale, où des informations numériques se superposent au monde physique pour des applications comme la maintenance guidée par la réalité augmentée et la cartographie structurelle.

Mettre en œuvre la vision par ordinateur avec Ultralytics#

Pour les équipes qui lancent un projet pilote de vision par ordinateur, Ultralytics YOLO26 est un point de départ pratique pour la détection d’objets en temps réel : il est open source, largement documenté et assez rapide pour fonctionner en périphérie. Les chiffres de précision et de latence sur différents matériels sont publiés sur la page des benchmarks, et la documentation propose des comparaisons côte à côte des modèles. L’écosystème comprend également OpenCV pour le traitement classique des images et PyTorch comme principal framework d’entraînement.

from ultralytics import YOLO

# Charger le modèle YOLO26n (version nano pour plus de rapidité)
model = YOLO("yolo26n.pt")

# Exécuter l’inférence sur une image d’exemple standard
# Le modèle identifie les objets et leur emplacement
results = model("https://ultralytics.com/images/bus.jpg")

# Afficher l’image obtenue avec les boîtes englobantes
results[0].show()

Ce script utilise un modèle préentraîné pour effectuer l’inférence en quelques lignes. Les équipes qui passent d’un projet pilote à la production peuvent utiliser la plateforme Ultralytics pour annoter des jeux de données, entraîner des modèles dans le cloud et gérer le déploiement, ou appliquer l’apprentissage par transfert afin d’adapter un modèle préentraîné à un jeu de données personnalisé avec bien moins de données étiquetées qu’un entraînement à partir de zéro.