La vision par ordinateur

Voir n'est pas comprendre

Pour une machine, une image n'est qu'une grille de nombres. Une photographie de 1 920 par 1 080 pixels représente plus de six millions de valeurs, trois par pixel pour le rouge, le vert et le bleu. Rien dans ces nombres ne dit qu'il s'agit d'un visage ou d'une facture.

La vision par ordinateur consiste à retrouver une structure dans cette masse de valeurs. Elle a été le premier domaine bouleversé par l'apprentissage profondapprentissage profondIASous-ensemble de l'apprentissage automatique fondé sur des réseaux de neurones à nombreuses couches. Chaque couche construit une abstraction plus élevée que la précédente.Voir dans le glossaire, dès 2012.

Quatre tâches à distinguer

Les confondre conduit à mal chiffrer un projet : elles n'exigent ni le même travail d'annotationannotationIAProcessus d'étiquetage manuel des données d'entraînement par des experts humains. La qualité de l'annotation conditionne directement les performances du modèle d'apprentissage supervisé.Voir dans le glossaire, ni les mêmes performances.

Le coût d'un projet de vision se joue à l'annotation, pas au modèle. Étiqueter une image en classification prend deux secondes ; en tracer la segmentation en prend plusieurs minutes. Passer de l'une à l'autre multiplie le budget par cinquante, à volume égal.

Le réseau convolutif

L'architecture qui a fait décoller le domaine repose sur une idée simple : au lieu de connecter chaque pixel à chaque neurone, on fait glisser de petits filtres sur l'image. Chaque filtre détecte un motif local — un contour vertical, un changement de teinte.

Ces filtres ne sont pas écrits : ils sont appris. Et en empilant les couches, le réseau construit une hiérarchie : contours, puis textures, puis fragments d'objets, puis objets entiers.

Cette hiérarchie n'a pas été conçue par les chercheurs : elle a été observée après coup en inspectant les filtres appris. La structure émerge de l'entraînement.

L'apprentissage par transfert

Peu d'organisations disposent de millions d'images annotées. L'apprentissage par transfertapprentissage par transfertIARéutilisation d'un modèle entraîné sur un grand corpus généraliste, dont on ne réentraîne que les dernières couches. Quelques centaines d'exemples suffisent alors souvent.Voir dans le glossaire résout le problème : on part d'un modèle entraîné sur un très grand corpus généraliste, et on ne réentraîne que ses dernières couches sur ses propres images.

Les premières couches, qui détectent contours et textures, sont utiles quelle que soit la tâche. Seules les dernières, spécialisées, ont besoin d'être adaptées.

Avec l'apprentissage par transfert, quelques centaines d'images par catégorie suffisent souvent à obtenir un résultat exploitable. Entraîner un réseau depuis zéro ne se justifie que pour des images très éloignées du monde courant — satellitaire, microscopique, ou capteurs industriels atypiques.

Ce qui fait échouer un projet de vision

Les conditions de prise de vue. Un modèle entraîné sur des photographies bien éclairées échoue sur des images prises à contre-jour. C'est la cause d'échec la plus fréquente.

Le déséquilibre. Sur une chaîne, les pièces défectueuses représentent parfois moins de 1 % des images. Le modèle apprend alors à répondre « conforme » systématiquement.

Les cas limites. Pièce partiellement masquée, reflet, étiquette décollée : rares dans les donnéesdonnéesIAEnsemble d'informations structurées ou non utilisées pour entraîner, évaluer ou alimenter un modèle. La qualité, la quantité et la représentativité des données sont les facteurs décisifs pour les performances en apprentissage automatique.Voir dans le glossaire, fréquents en production.

Le changement silencieux d'équipement. Remplacer une caméra ou une ampoule sans réentraîner suffit à faire chuter les scores.

Mini-cas : le contrôle qui marchait en atelier

Une équipe annote 800 images de pièces sous éclairage de laboratoire. Le prototype atteint 96 % de rappelrappelIAProportion des cas positifs réels effectivement détectés par un modèle. Sur un jeu déséquilibré, c'est un indicateur bien plus parlant que l'exactitude globale.Voir dans le glossaire. Sur la ligne, l'éclairage latéral et les reflets métalliques divisent le rappel par deux. Le modèle n'était pas « mauvais » : le jeu d'entraînement ne représentait pas la production. La correction a coûté moins cher en réannotant 300 images prises sur la ligne qu'en changeant d'architecture.

Les performances annoncées dans les publications scientifiques portent sur des jeux propres et équilibrés. Elles ne préjugent en rien du résultat sur vos images. Exigez toujours une évaluation sur un échantillon issu de votre propre contextefenêtre de contexteIAQuantité de texte qu'un modèle peut prendre en compte simultanément : question, documents fournis et historique. Au-delà, les éléments les plus anciens sortent du champ.Voir dans le glossaire avant tout engagement.

Usages avérés

• Contrôle qualité industriel — détection de défauts, mesure dimensionnelle
• Lecture de documents — extraction de champs sur factures et formulaires
• Imagerie médicale — aide au dépistage, jamais en décision autonome
• Logistique — lecture de codes, comptage, suivi de colis
• Sécurité — détection d'intrusion, comptage de personnes

La reconnaissance faciale relève d'un régime juridique à part : l'identification biométrique à distance en temps réel dans l'espace public figure parmi les usages interdits ou strictement encadrés par l'AI ActAI ActConformitéRèglement européen sur l'intelligence artificielle, adopté en 2024. Il classe les systèmes en quatre niveaux de risque selon leur usage — jamais selon leur technologie.Voir dans le glossaire.

Les limites propres à la vision

Un réseau de vision n'a aucune notion de sens commun. Il ne sait pas qu'un objet ne peut pas flotter, qu'une personne a deux jambes, qu'une ombre n'est pas un objet. Il associe des motifs de pixels à des étiquettes.

C'est ce qui explique sa vulnérabilité aux exemples adversesexemple adverseCybersécuritéEntrée modifiée de façon imperceptible pour un humain, mais suffisante pour faire basculer la décision d'un modèle. Cette fragilité découle de l'absence de sens commun.Voir dans le glossaire : une modification imperceptible à l'œil peut suffire à faire basculer une classification. Cette fragilité doit être prise au sérieux dès que le système participe à une décision de sécurité.

Évaluer un modèle de vision

En classification, on raisonne avec rappel, précisionprécisionIAProportion des alertes émises par un modèle qui sont justifiées. Elle s'oppose au rappel : améliorer l'une dégrade l'autre.Voir dans le glossaire, matrice de confusion — surtout sur les classes rares.

En détection, on mesure le recouvrement entre cadre prédit et cadre attendu. Le seuil dépend de l'usage : tolérant pour un comptage, strict pour un prélèvement robotisé.

Constituez un jeu de testjeu de testIAPartie des données réservée à l'évaluation finale, à n'utiliser qu'une seule fois. Ajuster le modèle d'après ses résultats sur ce jeu lui ôte toute valeur de mesure indépendante.Voir dans le glossaire contenant délibérément les cas difficiles : pièces partiellement masquées, reflets, éclairage dégradé, angles inhabituels. Un modèle évalué uniquement sur des images propres affiche des scores qui ne signifient rien pour la production.

Le cycle de vie d'un modèle de vision

Une chaîne évolue : nouveau fournisseur, changement d'éclairage, remplacement de caméra. Trois dispositions limitent le risque :

• Conserver les images de production avec la décision du modèle.
• Surveiller la distribution des prédictions — une bascule du taux de rebut signale souvent un changement de conditions.
• Prévoir le réentraînement dès la conception, avec budget.

Les quatre régimes d'annotation

L'annotation manuelle intégrale. Réservez-la au jeu de test, qui doit rester irréprochable.

La pré-annotation. Un premier modèle propose, l'humain corrige — deux à cinq fois plus vite.

L'annotation active. Le modèle désigne les exemples incertains ; seuls ceux-là sont annotés.

La donnée synthétique. Utile pour les cas rares, mais ne remplace jamais des données réelles.

Combinez pré-annotation et annotation active : 200 exemples, cycles de correction, réentraînement. Trois cycles suffisent souvent pour une fraction du coût d'une annotation exhaustive.

Choisir la résolution et le cadrage

La résolution. Plus elle est élevée, plus les petits défauts sont détectables — et plus le calcul coûte. Réduisez jusqu'au décrochage, puis remontez d'un cran.

Le cadrage. Chercher un défaut de deux millimètres sur une pièce entière est une aiguille dans une botte de foin. Découper en zones améliore souvent davantage qu'un changement d'architecture.

Un modèle entraîné sur des images redimensionnées doit recevoir en production le même prétraitement, avec le même algorithme. Une différence silencieuse entre entraînement et production dégrade la performance — et cette cause est particulièrement difficile à diagnostiquer.

Ce qu'il faut exiger avant d'acheter une solution vision

1. Évaluation sur vos images, pas sur une démo éditeur.
2. Détail du coût d'annotation et du régime proposé (pré-annotation, active…).
3. Plan de réentraînement quand l'éclairage ou la caméra change.
4. Indicateurs adaptés à la tâche (rappel sur défauts rares, IoU en détection).
5. Clarification juridique si biométrie ou surveillance de personnes.

Du prototype au contrôle en ligne

Un modèle de vision utile en atelier n'est pas encore un contrôle industriel. En production, quatre contraintes s'ajoutent :

1. Latence — une décision trop lente stoppe ou ralentit la ligne.
2. Disponibilité — une panne du service d'inférenceinférenceIAUtilisation d'un modèle déjà entraîné sur une donnée nouvelle. Peu coûteuse à l'unité mais répétée à chaque requête, elle constitue le coût récurrent d'exploitation.Voir dans le glossaire ne doit pas bloquer toute l'usine sans mode dégradé.
3. Traçabilité — quelle image, quelle décision, quel opérateur a forcé le passage.
4. Calibration — quand faut-il réentraîner, et qui tranche.

Sans mode dégradé (file manuelle, bascule sur un second poste), un « excellent » modèle devient un point de panne unique. Budgétez ce mode dès le cadrage.

Combien d'images, vraiment ?

Les ordres de grandeur utiles pour un transfert d'apprentissage :

Ces chiffres baissent si les images sont très homogènes ; ils explosent si l'éclairage, l'angle ou le produit varient sans cesse. Le bon test n'est pas « avons-nous assez d'images » : c'est « le rappel sur les cas difficiles du jeu de test tient-il le seuil métier ? ».

Ce que le métier doit valider

Avant d'industrialiser, faites valider par le métier :

• la définition du défaut (quand une tache devient rebut) ;
• le coût d'un faux négatif versus un faux positif ;
• les cas hors automate (pièce neuve, fournisseur inconnu) ;
• la procédure quand le modèle est « peu confiant ».

Un seuil de confiance sans procédure associée n'est qu'un curseur cosmétique. Si personne ne sait quoi faire des cas ambigus, ils s'empilent — ou passent en force.

Confusion fréquente : OCR n'est pas « de la vision métier »

Lire du texte sur une facture (OCR) et détecter un défaut de soudure sont deux projets différents. L'OCR moderne, souvent couplé à un modèle de langagegrand modèle de langageIAModèle entraîné à prédire le token suivant d'une séquence de texte. Toutes ses capacités apparentes — résumer, traduire, coder — découlent de cette unique tâche.Voir dans le glossaire pour structurer les champs, se comporte davantage comme un pipeline documentaire. Le contrôle qualité industriel exige des images représentatives, une définition métier du défaut, et une tolérance dimensionnelle. Mélanger les deux dans un même chiffrage produit des devis absurdes et des attentes impossibles.

Avant de lancer « un projet vision », écrivez la phrase : le système doit décider X à partir d'une image prise dans les conditions Y, avec un taux d'erreur acceptable Z. Si vous ne pouvez pas remplir X, Y et Z, vous n'avez pas encore de projet — seulement une intention technologique.

Jeu de test figé : votre seule vérité

Conservez un jeu de test figé et difficile, annoté à la main, jamais utilisé pour l'entraînement. C'est lui qui tranche les débats (« la nouvelle version est-elle meilleure ? »). Sans lui, chaque réentraînement est une conversation d'opinions. Avec lui, c'est une mesure. Mettez à jour ce jeu seulement quand le produit ou les conditions changent vraiment — et versionnez-le comme du code.

Synthèse opérationnelle

Avant de signer un devis ou d'ouvrir un chantier interne : choisissez la tâche (classification vs détection vs segmentation), constituez le jeu dans les conditions réelles, mesurez sur un jeu de test difficile figé, et budgétez le réentraînement. Le modèle est l'élément le plus interchangeable de cette liste.

De l’image au signal décisionnel

La vision par ordinateur transforme des pixels en classes, boîtes, masques ou embeddingsembeddingIAReprésentation numérique dense d'un texte, d'une image ou d'un objet dans un espace vectoriel, utilisée pour la similarité et la recherche sémantique.Voir dans le glossaire. Le succès dépend autant des conditions de prise de vue que du modèle : éclairage, angle, résolution, occlusion. Un dataset « propre » en labo échoue souvent en usine ou en extérieur.

Avant d’acheter une caméra IAintelligence artificielleIAEnsemble des techniques permettant à un programme d'accomplir une tâche qui demanderait de l'intelligence humaine. Le terme couvre aussi bien les systèmes à règles écrites que ceux qui apprennent de données.Voir dans le glossaire, instrumentez un pilote sur le site réel. Collectez les échecs. Ils valent plus que les démos marketing.

Détection, segmentation, reconnaissance

La classification répond « quoi ». La détection répond « quoi et où ». La segmentation détoure. La reconnaissance d’identité (visage, plaque) ajoute des enjeux juridiques et éthiques majeurs. Ne mélangez pas ces tâches dans le cahier des charges : chacune a ses métriques (mAP, IoU, taux d’identification) et ses risques.

Une métrique de détection élevée ne dit rien sur la conformité du traitement biométrique.

Domaine shift

Changer de caméra, de saison ou d’emballage peut faire chuter les performances. Les techniques de domaine adaptation et l’augmentation de données aident, mais le monitoring terrain reste indispensable. Prévoir un processus de réannotation périodique évite l’illusion d’un système « terminé ».

Intégration industrielle

En production, la vision est une chaîne : acquisition, prétraitement, inférence, post-règles, action automate, journalisation. Un faux positif peut arrêter une ligne ; un faux négatif peut laisser passer un défaut. Dimensionnez les seuils avec les opérationnels, pas seulement avec l’équipe data.

Conservez un échantillon d’images d’échec anonymisées pour réentraîner. C’est votre meilleur carburant d’amélioration continue.

Annotation image et qualité de vérité terrain

La qualité des boîtes et masques conditionne le plafond du modèle. Guides d’annotation illustrés, consensus sur les cas ambigus, mesure d’accord (IoU moyen entre annotateurs) : ces pratiques évitent d’entraîner sur du bruit structuré. Versionnez les consignes autant que les labels.

Prévoir un budget de ré-annotation après les premiers échecs terrain. C’est normal, pas un aveu d’échec du projet.

Métriques terrain et faux sens de sécurité

Un mAP élevé sur un dataset public ne garantit rien sur votre ligne de production. Construisez un jeu local avec les défauts rares qui coûtent cher. Suivez séparément précision/rappel par classe. Une classe minoritaire critique doit avoir son propre seuil.

Documentez les conditions de lumière et les changements de packaging. Planifiez une campagne de capture à chaque changement produit. La vision industrielle est un système socio-technique : opérateurs, maintenance caméra, nettoyage des optiques comptent autant que l’architecture CNNCNNIARéseau de neurones convolutif, architecture dominante en vision par ordinateur pour détecter des motifs locaux dans les images.Voir dans le glossaire.