Numérique · Intelligence artificielle
Vision par ordinateur
La vision par ordinateur est la branche de l’intelligence artificielle qui permet aux machines d’analyser des images et des vidéos : reconnaître des objets, des visages, du texte ou des mouvements.
Mis à jour le 4 min de lecture
Déverrouiller son téléphone avec son visage, rechercher « plage » dans ses photos, lire automatiquement une plaque d’immatriculation, repérer une tumeur sur une radiographie, guider un robot dans un entrepôt : toutes ces tâches relèvent de la vision par ordinateur (computer vision). Pour une machine, une image n’est qu’un tableau de nombres (l’intensité de chaque pixel) ; la difficulté est d’en extraire du sens.
Les tâches principales
| Tâche | Question posée | Exemple |
|---|---|---|
| Classification | Que montre l’image ? | « chat », « radiographie normale » |
| Détection d’objets | Quels objets, et où ? | Rectangles autour des piétons et des voitures |
| Segmentation | À quel objet appartient chaque pixel ? | Détourer une personne pour flouter l’arrière-plan en visio |
| Reconnaissance de caractères (OCR) | Quel texte est écrit ? | Numériser un document, traduire un panneau |
| Reconnaissance faciale | Qui est-ce ? | Déverrouillage, contrôle aux frontières |
| Estimation de pose | Comment le corps est-il positionné ? | Analyse du geste sportif, jeux vidéo |
| Suivi (tracking) | Où va l’objet dans la vidéo ? | Analyse de trafic, sport |
| Reconstruction 3D | Quelle est la forme dans l’espace ? | Cartographie, réalité augmentée |
| Description d’image | Que se passe-t-il ? | Texte alternatif généré pour les personnes aveugles |
Comment ça marche
Avant l’apprentissage profond
Jusqu’au début des années 2010, les ingénieurs concevaient à la main des descripteurs : détecteurs de contours, de coins, de textures (méthodes comme SIFT, publiée par David Lowe en 1999, ou les histogrammes de gradients orientés). Un algorithme d'apprentissage automatique classait ensuite ces caractéristiques. Les résultats étaient corrects dans des conditions contrôlées, fragiles dans le monde réel.
Les réseaux convolutifs
Les réseaux de neurones convolutifs (CNN), développés par Yann LeCun à partir de la fin des années 1980, apprennent eux-mêmes les caractéristiques utiles. Les premières couches repèrent des motifs simples (bords, couleurs), les suivantes des formes, puis des parties d’objets, puis des objets entiers (voir réseaux de neurones).
Le tournant date de 2012 : le réseau AlexNet remporte le concours ImageNet (base de plus de 14 millions d’images annotées lancée en 2009 par Fei-Fei Li) avec un taux d’erreur très inférieur à celui des méthodes classiques, grâce à l’entraînement sur cartes graphiques. En 2015, les meilleurs systèmes dépassent la performance humaine mesurée sur ce test précis.
Les modèles récents
Depuis 2020, les Vision Transformers appliquent aux images l’architecture des modèles de langage, en découpant l’image en petits carrés traités comme des mots. Des modèles entraînés sur des milliards de paires image-texte relient vision et langage : on peut interroger une photo en langage naturel ou chercher des images par description. Les grands modèles d’IA actuels sont multimodaux et intègrent ces capacités.
Les usages
- Santé : aide à la lecture de radiographies, mammographies, images de rétine ou de peau ; le médecin garde la décision.
- Transports : aide à la conduite (freinage d’urgence, maintien dans la voie), véhicules autonomes, lecture de plaques.
- Industrie : contrôle qualité sur les chaînes de production, robots de tri.
- Agriculture : détection des maladies des plantes, désherbage ciblé.
- Commerce : caisses automatiques, recherche de produits par photo.
- Smartphones : appareil photo (mise au point, mode portrait), tri des photos, traduction instantanée.
- Accessibilité : description d’images et lecture de texte pour les personnes malvoyantes.
- Sécurité : vidéosurveillance, contrôle d’accès, détection d’objets abandonnés.
Limites et risques
- Biais : des systèmes de reconnaissance faciale se trompent davantage sur certaines populations, comme l’a montré l’étude Gender Shades (2018) (voir éthique de l’IA).
- Fragilité : de petites modifications invisibles à l’œil humain (exemples adverses) ou des conditions inhabituelles (neige, contre-jour) peuvent tromper un modèle.
- Absence de compréhension : un modèle peut reconnaître une vache sur l’herbe mais pas sur une plage, parce qu’il a appris le contexte habituel plutôt que l’animal.
- Surveillance : la reconnaissance faciale à grande échelle menace l’anonymat dans l’espace public.
Le cadre juridique en Europe
Les visages sont des données biométriques, protégées par le RGPD. L'AI Act interdit l’identification biométrique à distance en temps réel dans l’espace public à des fins répressives, sauf exceptions strictement encadrées, ainsi que la constitution de bases faciales par moissonnage d’images sur internet. En France, la loi du 19 mai 2023 relative aux Jeux olympiques a autorisé à titre expérimental une vidéosurveillance « algorithmique » détectant des situations à risque (mouvements de foule, objets abandonnés), sans reconnaissance faciale.
Questions fréquentes
Quelle différence entre vision par ordinateur et traitement d’image ?
Le traitement d’image transforme une image (améliorer le contraste, réduire le bruit, compresser). La vision par ordinateur cherche à l’interpréter. Le premier sert souvent d’étape préalable à la seconde.
La reconnaissance faciale est-elle légale en France ?
Pour un usage personnel comme le déverrouillage de son téléphone, oui. Son usage par des entreprises ou des autorités est strictement encadré par le RGPD, la loi Informatique et libertés et l’AI Act ; la reconnaissance faciale en temps réel dans l’espace public n’est pas autorisée en dehors d’exceptions prévues par la loi.
Une IA voit-elle comme un humain ?
Non. Elle détecte des régularités statistiques dans les pixels, sans compréhension du monde physique comparable à celle d’un humain. Elle peut surpasser l’humain sur une tâche précise et échouer grossièrement dans une situation inhabituelle.