Panorama de la vision moderne — Vision par ordinateur appliquée

Table des matières

Pourquoi ce chapitre est le plus utile

La vision par ordinateur n'est pas une technologie unique : c'est une famille de tâches distinctes, résolues par des architectures différentes, avec des niveaux de fiabilité très inégaux selon le cas d'usage. Un système qui classe des radiographies avec 98 % d'exactitude et un système qui détecte des piétons en conditions de pluie nocturne n'appartiennent pas à la même catégorie de risque, même s'ils reposent sur des briques techniques voisines.

Ce chapitre pose le vocabulaire et les repères qui serviront dans toute la formation. Il ne s'agit pas de survoler des concepts pour le plaisir de l'exhaustivité : chaque distinction introduite ici a une conséquence directe sur la façon de spécifier un projet, de choisir un modèle, ou d'estimer un budget de données d'annotation.

« Vision par ordinateur » désigne un ensemble de tâches aux exigences très différentes. Le choix de la tâche à résoudre — et non seulement du modèle — est la première décision d'architecture, et c'est souvent celle qu'on bâcle.

Les grandes familles de tâches

On regroupe généralement les tâches de vision en six familles, qui répondent chacune à une question différente posée à l'image.

Classification. La question posée est « qu'y a-t-il globalement dans cette image ? ». Le modèle renvoie une étiquette (ou une distribution de probabilités sur plusieurs étiquettes) pour l'image entière. C'est la tâche la plus ancienne et la mieux maîtrisée : tri de produits, contrôle qualité binaire (conforme / non conforme), reconnaissance d'espèces.

Détection d'objets. La question devient « où sont les objets, et lesquels ? ». Le modèle renvoie une liste de boîtes englobantes (bounding boxes) accompagnées d'une classe et d'un score de confiance. C'est la brique de base de la vidéosurveillance intelligente, du comptage, ou de la détection d'anomalies localisées.

Segmentation. Ici, on veut une réponse au pixel près. La segmentation sémantique attribue une classe à chaque pixel (« ceci est de la route, ceci est un trottoir »), sans distinguer les instances. La segmentation d'instances va plus loin et sépare chaque objet individuel, même quand ils se chevauchent — utile en imagerie médicale pour délimiter des lésions, ou en robotique pour isoler des objets à saisir.

OCR et compréhension de documents. La reconnaissance de caractères a longtemps été traitée comme une tâche à part, avec ses propres pipelines. Les modèles récents combinent détection de zones de texte, reconnaissance des caractères et compréhension de la mise en page (tableaux, formulaires, signatures) dans un seul système.

Estimation de pose et de profondeur. La pose humaine (position des articulations) sert au sport, à la rééducation, à l'interaction homme-machine. L'estimation de profondeur reconstruit une information 3D à partir d'une ou plusieurs images 2D — brique essentielle pour la navigation autonome et la réalité augmentée.

Génération et édition d'images. Famille plus récente en usage industriel : génération d'images de synthèse, inpainting (remplissage de zones manquantes), super-résolution. Ces modèles ne « comprennent » pas une image existante, ils en produisent une nouvelle — la distinction avec les cinq familles précédentes est fondamentale et sera creusée dans un chapitre dédié.

Un même projet combine souvent plusieurs de ces tâches en cascade : par exemple détecter un véhicule, puis segmenter sa plaque, puis appliquer de l'OCR sur la zone segmentée. Chaque étage introduit sa propre marge d'erreur, qui se cumule.

Anatomie d'un pipeline de vision

Quel que soit le cas d'usage, un système de vision en production suit une structure commune en cinq étapes.

Pipeline d'un système de vision par ordinateur, de l'image brute à la décision exploitée — Les cinq étages d'un pipeline de vision et la boucle de supervision qui les relie à la qualité des données.

Acquisition. L'image ou le flux vidéo brut, avec ses défauts propres : compression, bruit capteur, éclairage variable, angle de prise de vue non contrôlé.
Prétraitement. Redimensionnement, normalisation des couleurs, parfois augmentation de données à l'entraînement (rotations, recadrages, variations d'exposition) pour rendre le modèle plus robuste aux conditions réelles.
Backbone. Le réseau qui extrait des caractéristiques (features) de plus en plus abstraites à partir des pixels — c'est le cœur du modèle, souvent réutilisé d'une tâche à l'autre par transfert d'apprentissage.
Tête de tâche. Une couche finale spécialisée qui transforme les caractéristiques extraites en sortie exploitable : classe, boîtes, masques, coordonnées.
Post-traitement. Application de seuils de confiance, suppression des détections redondantes (non-maximum suppression), calibration des scores, et enfin croisement avec des règles métier avant toute décision.

Une part importante des erreurs perçues comme « erreurs du modèle » sont en réalité des erreurs de post-traitement : seuil de confiance mal calibré, règle métier absente, agrégation temporelle négligée sur un flux vidéo. Avant d'incriminer le modèle, vérifiez cette couche.

Des CNN aux Transformers

Les réseaux de neurones convolutifs (CNN) ont dominé la vision par ordinateur pendant une décennie. Leur principe : appliquer des filtres locaux qui se répètent sur toute l'image, ce qui leur donne une forte capacité à détecter des motifs indépendamment de leur position. Cette propriété, l'invariance par translation, en fait des architectures naturellement adaptées aux images, avec un besoin de données d'entraînement relativement modéré.

Les Vision Transformers (ViT), adaptation aux images du Transformer initialement conçu pour le texte, découpent l'image en patchs traités comme une séquence de tokens. Ils n'ont pas de biais inductif spatial intégré comme les CNN : ils doivent apprendre eux-mêmes les relations spatiales à partir des données. Conséquence directe — ils ont besoin de volumes d'entraînement nettement supérieurs pour atteindre des performances comparables, mais ils captent mieux les dépendances à longue distance dans l'image (une texture dans un coin qui informe sur un objet à l'autre bout).

En pratique, le choix ne se fait presque jamais « CNN pur » contre « ViT pur ». Trois cas de figure dominent :

Peu de données, contraintes de calcul fortes (edge, embarqué) → CNN léger (famille MobileNet, EfficientNet) ou architecture hybride.
Beaucoup de données, ou modèle pré-entraîné disponible sur une tâche voisine → ViT ou hybride CNN-Transformer, avec fine-tuning.
Besoin de compréhension globale de scène (relations entre objets éloignés) → Transformer ou architecture à mécanisme d'attention.

Ne partez jamais d'une architecture par réputation. Partez du triplet volume de données disponible / contrainte de latence-matériel / nature de la tâche, puis choisissez la famille qui correspond. Le meilleur modèle sur un benchmark public n'est pas nécessairement le meilleur choix pour votre contrainte d'inférence en 40 ms sur un boîtier embarqué.

Maturité par tâche : ce qui est fiable, ce qui ne l'est pas

Toutes les tâches de vision n'ont pas atteint le même niveau de maturité industrielle. Un projet mal cadré consiste souvent à traiter une tâche encore expérimentale comme si elle était aussi fiable qu'une tâche éprouvée.

Tâche	Maturité en production	Points de vigilance
Classification d'images (catégories bien définies)	Élevée	Sensible au déséquilibre des classes, aux catégories ambiguës
Détection d'objets courants	Élevée à moyenne	Objets petits, occultés ou hors distribution d'entraînement
OCR sur documents structurés	Élevée	Chute nette sur écritures manuscrites ou mise en page atypique
Segmentation sémantique	Moyenne	Coût d'annotation très élevé, frontières ambiguës
Segmentation d'instances en scène dense	Moyenne à faible	Chevauchements, occultations partielles
Estimation de pose	Moyenne	Vêtements amples, angles de caméra inhabituels
Estimation de profondeur monoculaire	Faible à moyenne	Erreurs d'échelle, surfaces réfléchissantes ou transparentes
Génération / édition d'image	Variable selon usage	Artefacts subtils, cohérence temporelle en vidéo

Un service de tri postal automatisé combine classification (type de courrier), détection (localisation de l'adresse) et OCR (lecture du texte). Le maillon le plus faible est presque toujours l'OCR sur écriture manuscrite dégradée — pas la détection, plus mature. Un audit de fiabilité doit examiner chaque étage séparément plutôt que la sortie finale seule, sous peine de mal diagnostiquer l'origine des erreurs.

Image fixe ou flux vidéo : une distinction structurante

Traiter une image isolée et traiter un flux vidéo continu sont deux problèmes différents, même quand la tâche sous-jacente (détecter, segmenter) semble identique. Trois écarts méritent d'être anticipés dès le cadrage.

La dimension temporelle change la nature du signal. Sur une image fixe, une détection manquée est une erreur isolée. Sur un flux vidéo, la même détection peut être rattrapée à l'image suivante — à condition que le système exploite la cohérence temporelle (suivi d'objet, lissage des scores) plutôt que de traiter chaque image indépendamment. À l'inverse, une détection erronée qui se répète sur plusieurs images consécutives devient plus difficile à filtrer qu'une erreur ponctuelle.

Le budget de calcul se compte différemment. Un modèle qui met 200 ms à traiter une photo peut convenir à une application d'upload asynchrone. Le même modèle appliqué à un flux à 25 images par seconde doit tenir en moins de 40 ms par image pour rester en temps réel, sous peine d'accumuler un retard croissant. Ce facteur oriente souvent le choix d'un backbone plus léger, quitte à sacrifier un peu d'exactitude par image.

L'annotation vidéo introduit son propre coût. Annoter une vidéo image par image est rarement viable économiquement ; les outils d'annotation vidéo interpolent les boîtes ou les masques entre des images clés annotées manuellement, ce qui introduit une marge d'erreur supplémentaire sur les images interpolées, en particulier lors de mouvements rapides.

Un projet qui bascule d'un prototype sur images fixes vers un déploiement sur flux vidéo change de nature technique, pas seulement d'échelle : il est prudent de le traiter comme un second projet à part entière, avec ses propres jalons de validation.

Pièges fréquents à ce stade de cadrage

Confondre performance sur benchmark et performance en production. Un modèle évalué à 95 % d'exactitude sur un jeu de test public peut chuter à 70 % sur des images réelles si les conditions de capture diffèrent (éclairage, angle, résolution, matériel).

Sous-estimer la dérive de distribution. Les données évoluent avec le temps : nouveaux produits en rayon, nouvelle génération de capteurs, saisonnalité. Un modèle figé sans boucle de supervision se dégrade silencieusement.

Ignorer le coût d'annotation. La segmentation d'instances peut coûter dix à vingt fois plus cher à annoter que la classification, pour un volume de données équivalent. Ce facteur doit entrer dans l'arbitrage entre tâches dès le cadrage, pas après le premier prototype.

Choisir une tâche plus fine que nécessaire. Si l'objectif métier est « y a-t-il un défaut sur cette pièce ? », une classification binaire suffit souvent. Basculer directement vers une segmentation pixel par pixel multiplie le coût sans bénéfice métier proportionnel.

Une exactitude globale élevée peut ainsi cacher une défaillance complète sur une sous-catégorie critique (objets rares, minorités dans les données, cas limites de sécurité) : mieux vaut toujours ventiler les métriques par sous-groupe avant de valider un déploiement.

Checklist de cadrage avant tout projet de vision

Avant de lancer un chantier de vision par ordinateur, il est utile de répondre par écrit aux questions suivantes :

Quelle est la tâche exacte (classification, détection, segmentation, OCR, pose, profondeur, génération) et pourquoi celle-ci plutôt qu'une tâche plus simple ?
Quel est le volume de données annotées disponible, et quel est le coût réaliste d'annotation supplémentaire ?
Quelles sont les conditions de capture réelles (éclairage, angle, résolution, matériel), et diffèrent-elles de celles des données d'entraînement envisagées ?
Quelle contrainte de latence et de matériel s'applique à l'inférence (cloud, edge, embarqué) ?
Quel est le coût d'une erreur par type (faux positif, faux négatif) selon les sous-groupes concernés ?
Existe-t-il une boucle de supervision prévue pour détecter la dérive de distribution après mise en production ?

Cette checklist sera reprise et détaillée dans les chapitres suivants de la formation, notamment ceux consacrés au choix d'architecture et à l'évaluation.

Ce qui suit dans la formation

Les chapitres suivants creusent chacune de ces briques : architectures de détection et de segmentation en détail, stratégies d'annotation et de gestion de jeux de données, métriques d'évaluation adaptées à chaque tâche, déploiement et supervision en production. Ce panorama sert de carte de référence à laquelle il sera utile de revenir à chaque nouvelle notion.

L'essentiel à retenir

Ce chapitre pose le vocabulaire commun de la vision par ordinateur appliquée : classification, détection, segmentation, OCR, estimation de pose et de profondeur, génération. Il détaille l'anatomie d'un pipeline (prétraitement, backbone, tête de tâche, post-traitement) et compare les familles de modèles CNN et Transformers. Il propose une grille de maturité par tâche pour distinguer ce qui est fiable en production de ce qui reste expérimental. Il se termine par une checklist de cadrage avant tout déploiement, réutilisée dans les chapitres suivants.

Questions fréquentes

Quelle tâche de vision par ordinateur choisir pour un contrôle qualité en usine ?

Si l'objectif est simplement de savoir si une pièce est conforme ou non, une classification binaire suffit généralement et coûte beaucoup moins cher à annoter qu'une segmentation. Réservez la segmentation aux cas où il faut localiser précisément un défaut pour une action corrective ciblée.

Faut-il toujours préférer un Vision Transformer à un CNN ?

Non. Les ViT demandent généralement plus de données d'entraînement et de calcul pour être compétitifs. Sur un cas avec peu de données ou une forte contrainte embarquée, un CNN léger reste souvent le choix le plus pertinent.

Pourquoi mon modèle qui performe bien sur mon jeu de test échoue-t-il en production ?

C'est le symptôme classique d'une dérive de distribution ou d'un écart entre conditions de test et conditions réelles (éclairage, angle de capture, matériel). Ventilez vos métriques par sous-groupe et comparez les conditions de capture des deux jeux de données avant d'incriminer l'architecture.

Combien de temps faut-il pour annoter un jeu de données de segmentation ?

Il n'existe pas de chiffre universel, mais la segmentation d'instances coûte typiquement dix à vingt fois plus de temps que la simple classification pour un volume d'images équivalent. Ce facteur doit être budgété dès le cadrage du projet, pas découvert après le premier prototype.

Qu'est-ce qui distingue le post-traitement du modèle lui-même ?

Le modèle produit des scores bruts ; le post-traitement applique des seuils de confiance, élimine les détections redondantes, calibre les scores et croise le résultat avec des règles métier. Une part importante des erreurs perçues comme venant du modèle provient en réalité d'un post-traitement mal réglé.

Comment savoir si une tâche de vision est assez mature pour être mise en production ?

Comparez votre cas d'usage à la grille de maturité par tâche : classification et détection d'objets courants sont généralement les plus fiables, tandis que l'estimation de profondeur monoculaire ou la segmentation en scène dense restent plus fragiles et nécessitent des marges de sécurité et une supervision renforcée.

Qu'est-ce qu'un backbone en vision par ordinateur ?

Le backbone est le réseau qui extrait des caractéristiques de plus en plus abstraites à partir des pixels de l'image. Il constitue le cœur du modèle et est souvent réutilisé d'une tâche à l'autre par transfert d'apprentissage, avant d'être complété par une tête de tâche spécialisée.

Progression sauvegardée dans votre navigateur.

Quiz de validation

Quiz indisponible (données invalides).

Vos projets IA sont-ils sécurisés ? Audit LLM, conformité AI Act, red teaming — devis sous 48h.

Devis gratuit