Vision par Ordinateur : De la Classification à la Génération
#artificial-intelligence#computer-vision#deep-learning#machine-learning
La vision par ordinateur a évolué de simples classificateurs à des systèmes qui comprennent, segmentent et génèrent du contenu visuel. La question stratégique n'est plus "peut-on le faire ?" mais "où la vision IA crée-t-elle le plus de valeur, et comment la déployer de manière fiable ?"
Taxonomie des Tâches
tadata
- Compréhension
- Classification d'images (qu'y a-t-il dans l'image ?)
- Détection d'objets (où sont les objets ?)
- Segmentation sémantique (classe de chaque pixel)
- Segmentation d'instances (masque par objet)
- Segmentation panoptique (fonds + objets)
- Estimation de pose (points clés du corps / des mains)
- Analyse
- OCR / compréhension de documents
- Compréhension de scène
- Reconnaissance d'actions (vidéo)
- Détection d'anomalies (défaut, fraude)
- Reconstruction 3D
- Génération
- Génération d'images (Stable Diffusion, DALL-E, Midjourney)
- Édition d'images (inpainting, transfert de style)
- Génération vidéo (Sora, Runway)
- Super-résolution
- Génération de données synthétiques
- Multimodal
- Question-réponse visuelle (VQA)
- Légendage d'images
- Recherche visuelle
- Modèles vision-langage (GPT-4V, Claude Vision, Gemini)
tadata
| Task | Output | Metric | Typical models | Datasets |
|---|---|---|---|---|
| Classification | one label (or top-k) | top-1 / top-5 accuracy | ResNet, ConvNeXt, ViT | ImageNet-1k (1000 classes) |
| Object detection | boxes + class + score | mAP (COCO AP@[.5:.95]) | YOLO, RT-DETR, Faster R-CNN | COCO (80 classes), LVIS |
| Semantic segmentation | class per pixel | mIoU | U-Net, DeepLab, SegFormer | ADE20K (150), Cityscapes |
| Instance segmentation | mask per object | mask AP | Mask R-CNN, YOLO-seg | COCO |
| Panoptic segmentation | class + id per pixel | PQ (panoptic quality) | Mask2Former | COCO panoptic |
| Keypoints / pose | named points per object | OKS-based AP | HRNet, ViTPose, RTMPose | COCO (17 body points) |
| Multi-object tracking | id per box over time | HOTA, IDF1, MOTA | ByteTrack, BoT-SORT | MOT17, MOT20 |
| OCR | text + its location | CER, WER | PaddleOCR, Tesseract, VLM OCR | ICDAR sets |
Extrait de la fiche « Computer-Vision Tasks, Metrics and Models » · Demander la fiche complète
Matrice d'Applications par Industrie
| Industrie | Cas d'usage | Type de tâche | Maturité | Impact business |
|---|---|---|---|---|
| Industrie | Détection de défauts | Détection d'anomalies | Élevée | Réduit les rebuts de 20-40% |
| Industrie | Vérification d'assemblage | Détection d'objets | Élevée | Prévient les erreurs en aval |
| Retail | Recherche visuelle | Embedding + similarité | Élevée | Augmente la conversion 10-25% |
| Santé | Imagerie médicale (radiologie) | Classification + segmentation | Moyenne | Assiste le diagnostic |
| Agriculture | Détection de maladies des cultures | Classification | Moyenne | Intervention précoce |
| Assurance | Évaluation des dommages | Détection + classification | Moyenne | Accélère les sinistres 50-70% |
| Media | Génération de contenu | Génération | Élevée | Réduit les coûts production 60%+ |
Comparaison d'Architectures de Modèles
| Modèle | Tâche | Paramètres | Vitesse (FPS) | Précision | Open Source | Idéal pour |
|---|---|---|---|---|---|---|
| YOLOv8/v9 | Détection | 3-68M | 80-500+ | Élevée | Oui | Détection temps réel, edge |
| SAM 2 | Segmentation | 310M+ | 15-30 | Très élevée | Oui | Segmentation zéro-shot |
| DINOv2 | Foundation (vision) | 86-1100M | 30-100 | Très élevée | Oui | Backbone transfer learning |
| CLIP | Vision-Langage | 63-428M | 50-200 | Élevée | Oui | Classification zéro-shot |
| Stable Diffusion 3 | Génération | ~2B | 1-5 | Très élevée | Oui | Génération d'images |
tadata
- New vision task
- → Need masks?
- Yes: Unseen classes, no labels?
- Yes: SAM-family, prompted
- No: U-Net / Mask R-CNN fine-tuned
- No: Real time or edge?
- Yes: YOLO-family detector
- No: DETR-family or Faster R-CNN on ViT/ConvNeXt
- Yes: Unseen classes, no labels?
- → Need masks?
Extrait de la fiche « The Vision Architecture Zoo » · Demander la fiche complète
Cloud vs Edge
| Facteur | Déploiement Cloud | Déploiement Edge |
|---|---|---|
| Latence | 100-2000ms (réseau) | 10-100ms (local) |
| Bande passante | Upload continu nécessaire | Traitement local |
| Coût à l'échelle | Par inférence (linéaire) | Coût matériel fixe (amorti) |
| Taille de modèle | Illimitée | Contrainte (mobile/embarqué) |
| Vie privée | Données quittent les locaux | Données restent sur l'appareil |
| Disponibilité | Nécessite internet | Fonctionne hors ligne |
| Idéal pour | Tâches complexes, batch | Temps réel, vie privée, sites isolés |
tadata
Extrait de la fiche « Computer-Vision Project Workflow » · Demander la fiche complète