Image Segmentation

La segmentation d'image est une technique sophistiquée en vision par ordinateur (CV) qui consiste à partitionner une image numérique en plusieurs sous-groupes de pixels, souvent appelés segments d'image ou régions. Contrairement à la classification d'image standard, qui attribue une étiquette unique à une image entière, la segmentation analyse les données visuelles à un niveau beaucoup plus granulaire en attribuant une étiquette de classe spécifique à chaque pixel individuel. Ce processus crée une carte précise au niveau des pixels, permettant aux modèles d'intelligence artificielle (AI) de comprendre non seulement quels objets sont présents, mais aussi exactement où ils se situent et quelles sont leurs limites spécifiques.

Link to this sectionLa mécanique de l'analyse au niveau du pixel#

Pour obtenir cette compréhension haute fidélité, les modèles de segmentation exploitent généralement des architectures d'apprentissage profond (DL), en particulier les réseaux de neurones convolutifs (CNN). Ces réseaux agissent comme de puissants extracteurs de caractéristiques, identifiant des motifs tels que les bords, les textures et les formes complexes. Les architectures de segmentation traditionnelles, comme le classique U-Net, utilisent souvent une structure encodeur-décodeur. L'encodeur compresse l'image d'entrée pour capturer le contexte sémantique, tandis que le décodeur reconstruit les détails spatiaux pour sortir un masque de segmentation final.

Les avancées modernes ont conduit à des architectures en temps réel comme YOLO26, publié en janvier 2026. Ces modèles intègrent des capacités de segmentation directement dans un pipeline de bout en bout, permettant un traitement à haute vitesse sur divers matériels, des GPU cloud aux appareils en périphérie (edge devices).

Link to this sectionTypes principaux de segmentation#

Selon l'objectif spécifique d'un projet, les développeurs choisissent généralement parmi trois techniques de segmentation principales :

• Segmentation sémantique : Cette méthode classe les pixels en fonction de leur catégorie mais ne distingue pas les objets distincts d'une même classe. Par exemple, dans une analyse d'image satellite, tous les pixels représentant une « forêt » seraient colorés en vert, traitant la forêt entière comme une seule entité.
• Segmentation d'instance : Cette technique identifie et sépare les objets individuels distincts d'intérêt. Dans une scène de rue animée, la segmentation d'instance générerait un masque unique pour la « Voiture A », la « Voiture B » et le « Piéton A », permettant aux systèmes de compter et de suivre des entités spécifiques. C'est une fonctionnalité clé de la famille de modèles Ultralytics YOLO26.
• Segmentation panoptique : Une approche hybride qui combine la couverture de la segmentation sémantique avec la précision de la segmentation d'instance. Elle attribue une étiquette à chaque pixel, distinguant les éléments d'arrière-plan amorphes (comme le ciel et la route) tout en identifiant de manière unique les objets dénombrables au premier plan.

Link to this sectionDistinction avec la détection d'objets#

Il est crucial de différencier la segmentation de la détection d'objets. Bien que les algorithmes de détection localisent des éléments à l'aide d'une bounding box rectangulaire, ils incluent inévitablement des pixels d'arrière-plan à l'intérieur de cette boîte. La segmentation fournit une représentation plus serrée et plus précise en traçant le contour exact ou le polygone de l'objet. Cette différence est vitale pour des applications comme la préhension robotique, où un bras robotique doit connaître la géométrie précise d'un élément pour le manipuler sans collision.

Link to this sectionApplications concrètes#

La précision offerte par la segmentation d'image stimule l'innovation dans divers secteurs :

• Diagnostics médicaux : Dans le domaine de l'analyse d'image médicale, la segmentation est essentielle pour délimiter les structures anatomiques. Les algorithmes analysent les scans IRM pour détourer des tumeurs ou des limites d'organes, permettant aux chirurgiens de calculer des volumes exacts et de planifier des procédures avec une précision vitale.
• Conduite autonome : Les véhicules autonomes dépendent de la segmentation pour naviguer en toute sécurité. En traitant les flux vidéo, l'ordinateur du véhicule peut différencier les voies carrossables des trottoirs et des obstacles. Des organisations de normalisation comme SAE International définissent des niveaux d'autonomie qui nécessitent cette perception environnementale haute fidélité.
• Agriculture de précision : Dans l'IA en agriculture, la segmentation aide les systèmes robotiques à identifier les mauvaises herbes au milieu des cultures. En générant des masques pour des feuilles de plantes spécifiques, les pulvérisateurs automatisés peuvent cibler uniquement les espèces envahissantes, réduisant considérablement l'utilisation d'herbicides.

Link to this sectionImplémentation de la segmentation avec YOLO26#

Les développeurs peuvent implémenter efficacement la segmentation d'instance en utilisant le package Python ultralytics. L'exemple suivant utilise le modèle YOLO26 de pointe, optimisé à la fois pour la vitesse et la précision.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with segmentation overlays
results[0].show()

Pour obtenir des performances élevées sur des tâches personnalisées, les équipes doivent souvent constituer des données d'entraînement de haute qualité. La plateforme Ultralytics simplifie ce processus en fournissant des outils pour annoter les images avec des masques polygonaux, gérer les jeux de données et entraîner des modèles dans le cloud, rationalisant ainsi l'ensemble du cycle de vie des opérations de machine learning (MLOps). Des bibliothèques comme OpenCV sont également fréquemment utilisées aux côtés de ces modèles pour le prétraitement des images et le post-traitement des masques résultants.