Object Detection

La détection d’objets est une technologie essentielle dans le domaine de la vision par ordinateur (CV), qui permet aux systèmes informatiques d’identifier et de localiser des éléments spécifiques dans des données visuelles. Contrairement aux tâches plus simples de classification d’images, qui attribuent une seule étiquette à une image entière, la détection d’objets fournit une compréhension détaillée en prédisant simultanément la classe d’un objet (par exemple, « personne », « voiture », « chien ») et sa position spatiale. Cette position est généralement représentée par une boîte englobante rectangulaire qui entoure l’objet, accompagnée d’un score de confiance indiquant le degré de certitude du modèle. Cette double capacité — reconnaissance et localisation — constitue la base sensorielle des applications modernes d’intelligence artificielle (AI), permettant aux machines d’interagir de manière pertinente avec leur environnement.

Mécanismes de la détection#

Les détecteurs modernes reposent largement sur des architectures d’apprentissage profond (DL), en particulier sur les réseaux neuronaux convolutifs (CNNs), pour extraire des caractéristiques complexes des images d’entrée. Le processus commence par une phase d’entraînement, au cours de laquelle un modèle apprend à reconnaître des motifs à partir de vastes collections annotées telles que le jeu de données COCO. Durant cette phase, l’algorithme optimise les poids du modèle afin de réduire les erreurs de prédiction.

Lorsque le modèle est déployé pour l’inférence, il analyse de nouvelles images afin de proposer des objets potentiels. Des algorithmes avancés appliquent ensuite la suppression des non-maxima (NMS) pour éliminer les détections en double et garantir 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. Les avancées récentes ont donné naissance à des architectures de bout en bout telles que YOLO26, qui rationalisent ce pipeline pour offrir une vitesse exceptionnelle et des capacités d’inférence en temps réel sur les appareils en périphérie.

Différenciation des principaux termes#

Il est essentiel de distinguer la détection d’objets des concepts associés afin de choisir l’outil adapté à ton projet :

• Détection d’objets ou classification d’images : Alors que la classification d’images répond à la question « Que contient cette image ? », la détection d’objets répond à la question « Qu’est-ce qui se trouve où ? ».
• Détection d’objets ou segmentation d’instances : La détection dessine une boîte autour d’un élément. En revanche, la segmentation d’instances identifie le contour exact, au pixel près, (le masque) de chaque objet.
• Détection d’objets ou suivi d’objets : La détection trouve les objets dans une seule image. Le suivi d’objets relie ces détections au fil d’une séquence vidéo afin de surveiller les mouvements au cours du temps.

Applications concrètes#

La polyvalence de la détection d’objets stimule l’innovation dans de nombreux secteurs majeurs. Dans le secteur automobile, l’IA dans les véhicules autonomes repose de manière critique sur des modèles de détection pour identifier instantanément les piétons, les panneaux de signalisation et les autres véhicules afin de se déplacer en toute sécurité. En traitant les flux vidéo provenant des caméras embarquées, ces systèmes prennent des décisions en une fraction de seconde qui permettent d’éviter les accidents.

Un autre cas d’utilisation majeur se trouve dans l’IA dans le commerce de détail. Les systèmes de paiement automatisé et les robots intelligents de gestion des stocks utilisent la détection d’objets pour analyser 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.

Mise en œuvre de la détection d’objets#

Les développeurs peuvent facilement mettre en œuvre des workflows de détection à l’aide du package ultralytics Python. 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 qui souhaitent développer leurs opérations, la plateforme Ultralytics offre un environnement complet pour annoter les données, entraîner des modèles personnalisés dans le cloud et les déployer dans divers formats tels que ONNX ou TensorRT. L’utilisation de telles plateformes simplifie le cycle de vie du MLOps, permettant aux ingénieurs de se concentrer sur l’amélioration de leurs applications plutôt que sur la gestion de l’infrastructure.