La vision par ordinateur (computer vision) est la discipline qui apprend aux machines à extraire de l'information signifiante à partir d'images et de vidéos. Ce qui, pour une personne, est un coup d'œil instantané — reconnaître une plaque d'immatriculation, lire une étiquette, compter des pièces sur un convoyeur — est, pour un ordinateur, un problème de traitement de matrices numériques. Dans ce guide technique, nous parcourons le fonctionnement de la détection d'objets, de l'OCR et de la reconnaissance faciale, les architectures qui les soutiennent et, surtout, le cadre juridique et éthique qui régit leur usage en Europe.
Des pixels aux représentations : comment voit une machine
Une image numérique est un tenseur : largeur × hauteur × canaux (3 pour le RVB). Le grand bond de la vision moderne a été réalisé par les réseaux de neurones convolutifs (CNN), qui appliquent des filtres appris pour détecter des contours, des textures et, dans les couches plus profondes, des formes et des objets complets. Le jalon historique fut AlexNet (2012), qui a réduit drastiquement l'erreur sur le défi ImageNet. Depuis lors, des architectures comme ResNet ont introduit les connexions résiduelles pour entraîner des réseaux très profonds, et plus récemment les Vision Transformers (ViT) ont transposé le mécanisme d'attention — en divisant l'image en patchs — à la vision, égalant ou surpassant les CNN sur de nombreux benchmarks.
Une technique déterminante en pratique est le transfer learning (apprentissage par transfert) : on part d'un modèle pré-entraîné sur des millions d'images et on le réajuste avec un ensemble réduit du domaine concret (défauts de soudure, lésions dermatologiques, produits d'un catalogue). Cela réduit le besoin de données annotées de plusieurs mois à quelques jours.
Avant même le réseau de neurones, la performance dépend du prétraitement : normalisation des valeurs de pixels, redimensionnement, correction de l'éclairage et, surtout, data augmentation (augmentation des données). Cette dernière génère des variations synthétiques de l'ensemble d'entraînement — rotations, recadrages, changements de luminosité, bruit contrôlé — afin que le modèle apprenne des caractéristiques robustes et ne mémorise pas les images concrètes. Une augmentation bien conçue fait souvent la différence entre un modèle qui généralise et un modèle qui s'effondre face à la première condition réelle non observée en laboratoire.
Détection d'objets : localiser et classer
Tandis que la classification répond à « qu'y a-t-il dans l'image », la détection d'objets répond à « qu'y a-t-il et où », en traçant des boîtes englobantes (bounding boxes). Deux familles dominent le domaine :
- À une étape (YOLO, SSD) : elles prédisent boîtes et classes en une seule passe. Rapides, idéales pour le temps réel (vidéosurveillance, conduite assistée, robotique).
- À deux étapes (Faster R-CNN) : elles proposent d'abord des régions candidates puis les classent. Plus précises, un peu plus lentes.
La métrique de référence est la mAP (mean Average Precision), qui combine précision et rappel (exhaustivité) à différents seuils de chevauchement (IoU, Intersection over Union) entre la boîte prédite et la boîte réelle. Pour les tâches qui exigent des contours exacts — pas seulement des boîtes — on recourt à la segmentation sémantique (classer chaque pixel) ou d'instances (séparer les objets du même type), avec des modèles comme Mask R-CNN ou SAM.
OCR : convertir des images de texte en données
La reconnaissance optique de caractères (OCR) transforme du texte imprimé ou manuscrit en chaînes éditables. Un pipeline moderne enchaîne : la détection des régions de texte, la reconnaissance des caractères au moyen de réseaux récurrents ou de transformers avec une fonction de perte CTC, et un post-traitement linguistique qui corrige les erreurs à l'aide de modèles de langage. Ses applications en entreprise sont immédiates : numérisation de factures et de bons de livraison, lecture automatique de plaques d'immatriculation (ANPR), extraction de données de documents d'identité ou automatisation de la saisie de données dans un ERP. La qualité dépend crûment de la résolution, du contraste et de la correction de perspective du document d'entrée.
Reconnaissance faciale : puissance et cadre juridique strict
La reconnaissance faciale encode un visage en un vecteur numérique (embedding) et mesure des distances pour vérifier une identité (1:1) ou identifier au sein d'une base (1:N). Sa précision technique est élevée, mais son traitement juridique est le plus sensible de toute la vision par ordinateur. Les traits du visage utilisés pour identifier de manière univoque sont des données biométriques et, par conséquent, une catégorie particulière selon l'article 9 du RGPD : leur traitement est interdit, sauf exceptions strictement encadrées (consentement explicite, intérêt public essentiel avec base légale, etc.).
De plus, le Règlement européen sur l'intelligence artificielle (AI Act) classe les usages par niveau de risque. L'identification biométrique à distance en temps réel dans les espaces publics par les autorités est, à de très rares exceptions près, interdite, et la catégorisation biométrique fondée sur des données sensibles est également restreinte. Tout système d'identification biométrique est considéré comme à haut risque et exige une évaluation de conformité, une gestion des risques, un enregistrement et une supervision humaine. Déployer la reconnaissance faciale sans une analyse préalable de conformité n'est pas une option.
Déploiement en périphérie (edge) face au cloud
L'endroit où s'exécute le modèle conditionne toute l'architecture. Le traitement dans le cloud offre une puissance de calcul pratiquement illimitée et facilite la mise à jour des modèles, mais introduit une latence réseau, un coût récurrent de transmission et un problème de confidentialité : envoyer des images — qui peuvent contenir des visages ou des plaques — vers un serveur externe a des implications au regard du RGPD. Le traitement en périphérie (edge), en revanche, exécute l'inférence dans la caméra elle-même ou sur un dispositif local, ce qui réduit la latence à quelques millisecondes, fonctionne sans connexion et maintient les images à l'intérieur du périmètre, atténuant les risques pour la vie privée.
Le prix de l'edge, c'est la contrainte de ressources : une caméra industrielle ou un module embarqué n'ont pas le GPU d'un centre de données. C'est pourquoi on recourt à des techniques d'optimisation des modèles : la quantification réduit la précision numérique des poids (de 32 à 8 bits), accélérant l'inférence avec une perte minimale d'exactitude ; l'élagage (pruning) élimine les connexions peu pertinentes ; et la distillation de connaissances entraîne un petit modèle à imiter un grand. Des formats comme ONNX et des moteurs comme TensorRT facilitent le portage d'un modèle entraîné vers du matériel d'inférence spécifique. La décision cloud-edge n'est pas idéologique : elle se prend en mesurant la latence cible, le coût, la connectivité disponible et la sensibilité des données capturées.
Tableau comparatif des tâches de vision
| Tâche | Sortie | Modèles typiques | Usage en entreprise |
|---|---|---|---|
| Classification | Étiquette globale | ResNet, ViT | Contrôle qualité conforme/non conforme |
| Détection | Boîtes + classe | YOLO, Faster R-CNN | Comptage, vidéosurveillance, retail |
| Segmentation | Masque par pixel | Mask R-CNN, SAM | Imagerie médicale, agriculture |
| OCR | Texte | CRNN, transformers | Numérisation documentaire |
| Reconnaissance faciale | Identité | Réseaux d'embeddings | Accès sécurisé (haut risque juridique) |
Mise en œuvre : du prototype à la production
- Définissez la tâche avec précision : classer, détecter, segmenter ou lire ? Le choix change tout le pipeline.
- Constituez un jeu de données représentatif : incluez des conditions réelles d'éclairage, d'angles et des cas difficiles ; annotez avec des critères cohérents.
- Partez du transfer learning et réentraînez avec votre domaine avant d'envisager un entraînement à partir de zéro.
- Mesurez avec la métrique adaptée (mAP, IoU, F1) sur un jeu de test que le modèle n'a jamais vu.
- Optimisez pour la cible : quantification et élagage si vous déployez en périphérie (caméras, mobiles) avec des ressources limitées.
- Surveillez la dérive : la performance chute quand les conditions changent ; réentraînez périodiquement.
Erreurs courantes
- Entraîner avec des images « de laboratoire » et déployer dans des conditions réelles radicalement différentes.
- Se fier à la précision globale en ignorant le biais par sous-groupes (un détecteur qui échoue davantage avec certaines teintes de peau ou certains angles).
- Traiter des données faciales sans base légale au titre du RGPD ni évaluation au titre de l'AI Act.
- Oublier la qualité de capture : le meilleur réseau ne compense pas une caméra mal réglée ou mal éclairée.
- Ne pas versionner les jeux de données ni les modèles, rendant impossible la reproduction des résultats.
Questions fréquentes
Quelle différence entre classification et détection d'objets ?
La classification attribue une étiquette à l'image entière ; la détection localise chaque objet par une boîte englobante et lui attribue une classe. La détection est plus coûteuse mais nécessaire lorsqu'il y a plusieurs objets ou que leur position importe.
Est-il légal d'utiliser la reconnaissance faciale dans mon entreprise ?
Uniquement sous conditions strictes. Les données faciales sont une catégorie particulière au titre du RGPD et les systèmes d'identification biométrique sont à haut risque selon l'AI Act. Une base légale, une analyse d'impact sont requises et, pour de nombreux usages publics, c'est directement interdit. Consultez toujours avant de déployer.
Combien d'images faut-il pour entraîner un modèle ?
Avec le transfer learning, quelques centaines ou quelques milliers d'exemples bien annotés par classe suffisent généralement pour un prototype solide. La qualité et la représentativité importent plus que la quantité brute.
Qu'est-ce que la segmentation et quand en ai-je besoin ?
C'est la classification pixel par pixel. On l'utilise quand une boîte ne suffit pas et qu'on a besoin du contour exact : mesurer la surface d'une lésion, séparer des cultures sur une image aérienne ou isoler un produit du fond.
Conclusion
La vision par ordinateur a cessé d'être un champ expérimental pour devenir une couche opérationnelle qui inspecte des pièces, numérise des documents et automatise le contrôle qualité avec une précision surhumaine sur des tâches délimitées. Mais sa maturité technique s'accompagne d'une responsabilité croissante : plus il est facile d'identifier et de pister des personnes à partir d'une image, plus le cadre qui le régit est strict. Le succès d'un projet de vision ne se mesure pas seulement à sa mAP, mais à sa robustesse face aux conditions réelles, à l'absence de biais préjudiciables et au respect scrupuleux du RGPD et de l'AI Act. Chez Summum Inteligencia Artificial, nous concevons des systèmes de vision qui sont performants en production et nés conformes dès le premier prototype, car un modèle que la loi n'autorise pas à déployer n'est pas un modèle : c'est un risque.