Object Detection

La détection d'objets est une technologie pivot dans le domaine de la Computer Vision (CV) qui permet aux systèmes informatiques d'identifier et de localiser des éléments spécifiques au sein de données visuelles. Contrairement aux tâches plus simples de image classification, qui assignent une étiquette unique à une image entière, la détection d'objets offre une compréhension granulaire en prédisant simultanément la classe d'un objet (par exemple, « personne », « voiture », « chien ») et sa localisation spatiale. Cette localisation est généralement représentée par une bounding box rectangulaire qui englobe l'objet, accompagnée d'un confidence score indiquant la certitude du modèle. Cette double capacité — reconnaissance et localisation — sert de fondation sensorielle aux applications modernes d'Artificial Intelligence (AI), permettant aux machines d'interagir de manière significative avec leur environnement.

Link to this sectionLes mécanismes de détection#

Les détecteurs modernes reposent largement sur des architectures de Deep Learning (DL), plus précisément sur des Convolutional Neural Networks (CNNs), pour extraire des caractéristiques complexes des images d'entrée. Le processus commence par une training phase, durant laquelle un modèle apprend à reconnaître des motifs en utilisant des collections massives et étiquetées comme le COCO dataset. Au cours de cette phase, l'algorithme optimise ses model weights afin de minimiser les erreurs de prédiction.

Lorsque le modèle est déployé pour l'inference, il scanne de nouvelles images pour proposer des objets potentiels. Des algorithmes avancés appliquent ensuite la Non-Maximum Suppression (NMS) pour filtrer les détections en double, garantissant que chaque entité distincte n'est mise en évidence qu'une seule fois. La précision de ces prédictions est souvent évaluée à l'aide de la métrique Intersection over Union (IoU), qui mesure le chevauchement entre la boîte prédite et la vérité terrain. Des avancées récentes ont mené à des architectures de bout en bout comme YOLO26, qui rationalisent ce pipeline pour une vitesse exceptionnelle et des capacités d'real-time inference sur les appareils de périphérie.

Link to this sectionDifférencier les termes clés#

Il est crucial de distinguer la détection d'objets des concepts connexes pour choisir le bon outil pour un projet :

• Détection d'objets vs Classification d'images : Alors que l'image classification répond à la question « Qu'y a-t-il dans cette image ? », la détection d'objets répond à « Qu'est-ce qui se trouve où ? ».
• Détection d'objets vs Segmentation d'instances : La détection trace une boîte autour d'un élément. En revanche, l'instance segmentation identifie le contour exact et parfait au niveau du pixel (masque) de chaque objet.
• Détection d'objets vs Suivi d'objets : La détection trouve des objets dans une image fixe. L'object tracking relie ces détections à travers une séquence vidéo pour surveiller le mouvement au fil du temps.

Link to this sectionApplications concrètes#

La polyvalence de la détection d'objets stimule l'innovation dans des secteurs majeurs. Dans le secteur automobile, l'AI in autonomous vehicles repose de manière critique sur des modèles de détection pour identifier instantanément les piétons, les panneaux de signalisation et les autres véhicules afin de naviguer en toute sécurité. En traitant les flux vidéo des caméras embarquées, ces systèmes prennent des décisions en une fraction de seconde qui préviennent les accidents.

Un autre cas d'utilisation important se trouve dans l'AI in Retail. Les systèmes de paiement automatisés et les robots de gestion intelligente des stocks utilisent la détection d'objets pour scanner les rayons, reconnaître les produits et détecter les ruptures de stock ou les articles mal placés. Cette automatisation rationalise les chaînes d'approvisionnement et améliore l'expérience client en garantissant que les produits sont toujours disponibles.

Link to this sectionImplémenter la détection d'objets#

Tu peux facilement implémenter des flux de travail de détection en utilisant le package Python ultralytics. L'exemple suivant montre comment charger un modèle YOLO26 pré-entraîné et effectuer une inférence sur une image.

from ultralytics import YOLO

# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image from a URL
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results with bounding boxes
results[0].show()

Pour les équipes cherchant à mettre à l'échelle leurs opérations, la Ultralytics Platform offre un environnement complet pour annoter des données, entraîner des modèles personnalisés dans le cloud et les déployer vers divers formats comme ONNX ou TensorRT. Utiliser de telles plateformes simplifie le cycle de vie MLOps, permettant aux ingénieurs de se concentrer sur l'amélioration de leurs applications plutôt que sur la gestion de l'infrastructure.