Qu'est-ce que la détection d'objets ? Comment les ordinateurs trouvent les objets dans les images

Quand vous regardez une photo de rue, vous voyez immédiatement trois personnes, deux voitures, un chien et un feu de circulation. Pour un ordinateur, cette même photo n'est qu'une suite de millions de nombres décrivant la couleur des pixels. La détection d'objets est la technologie qui transforme ces nombres en une liste d'objets et de leurs positions.

Détection d'objets, classification ou segmentation ?

La vision par ordinateur comporte quelques tâches proches, faciles à confondre :

Tâche	Question à laquelle elle répond	Résultat
Classification d'images	Que représente cette image ?	Une étiquette pour toute l'image (« chien »)
Détection d'objets	Quels objets y a-t-il, et où ?	Un cadre, une étiquette et un score pour chaque objet
Segmentation sémantique	Quels pixels appartiennent à quelle classe ?	Un masque coloré sur l'image
Segmentation d'instances	Quels pixels exacts appartiennent à chaque objet ?	Un masque distinct par objet

La détection se situe entre les deux : plus détaillée que la classification, mais plus rapide et plus simple que la segmentation de chaque pixel. Un outil de suppression d'arrière-plan, par exemple, utilise la segmentation, car il lui faut le contour exact.

Comment fonctionne la détection d'objets

Tout détecteur moderne a deux missions : comprendre ce que contient l'image, et localiser précisément chaque élément.

1. Extraction de caractéristiques. Un réseau de neurones appelé backbone (souvent un réseau convolutif comme ResNet) parcourt l'image et la transforme en une carte compacte de caractéristiques visuelles : contours, textures, formes et, à terme, des parties entières comme des roues ou des visages.
2. Prédiction. Une tête de détection utilise ces caractéristiques pour prédire des cadres, chacun avec une classe et un score de confiance.
3. Nettoyage. Les prédictions qui se chevauchent pour un même objet sont fusionnées ou supprimées, et les résultats peu fiables sont filtrés.

Les grandes familles de détecteurs

• Les détecteurs en deux étapes (comme Faster R-CNN) proposent d'abord des régions susceptibles de contenir des objets, puis classent chaque région. Précis, mais plus lents.
• Les détecteurs en une étape (comme YOLO, « You Only Look Once ») prédisent cadres et classes en un seul passage. Ils sont assez rapides pour la vidéo en temps réel.
• Les détecteurs à transformers (comme DETR, de Meta AI) regardent toute l'image d'un coup grâce au mécanisme d'attention et prédisent directement un ensemble d'objets, sans étapes de nettoyage réglées à la main.

Qu'est-ce que le jeu de données COCO ?

La plupart des détecteurs généralistes sont entraînés sur COCO (Common Objects in Context), un jeu de données public de plus de 200 000 images annotées. Il couvre 80 catégories du quotidien : personnes, animaux, véhicules, mobilier, électronique, ustensiles de cuisine, nourriture et matériel de sport. Quand un modèle dit détecter « 80 classes », il s'agit presque toujours de celles-ci.

Le revers de la médaille : un modèle entraîné sur COCO ne connaît que ces 80 classes. Demandez-lui de trouver des tournevis ou des marques précises, et il les ignorera ou choisira la catégorie la plus proche. Pour des objets spécifiques, les entreprises affinent un détecteur sur leurs propres photos annotées.

Essayez la détection d'objets dans votre navigateur

1. Ouvrez l'outil gratuit de détection d'objets.
2. Déposez une photo. Le modèle DETR (environ 43 Mo) se télécharge une fois et s'exécute sur votre appareil.
3. Chaque objet est encadré et étiqueté avec un score de confiance.
4. Déplacez le seuil de confiance pour afficher plus ou moins de détections.
5. Téléchargez l'image annotée, ou exportez les résultats en JSON pour votre propre code.

Comprendre les scores de confiance

Chaque détection est accompagnée d'un score entre 0 et 1 (ou 0 % et 100 %). C'est l'estimation par le modèle de la probabilité que le cadre contienne vraiment cet objet. Le seuil détermine les détections affichées :

• Seuil élevé (par exemple 0,9) : moins de fausses alertes, mais les objets petits ou partiellement cachés peuvent être manqués.
• Seuil bas (par exemple 0,5) : plus d'objets trouvés, mais plus d'erreurs.

Le bon réglage dépend de l'usage. Un système de sécurité qui alerte une personne peut accepter quelques fausses alertes. Un comptage automatique dans un rapport exige une grande précision.

Usages concrets de la détection d'objets

• Les véhicules autonomes détectent piétons, cyclistes, voitures, panneaux et feux.
• Le commerce l'utilise pour les caisses automatiques, la surveillance des rayons et le comptage des visiteurs.
• L'industrie repère les défauts et vérifie la présence des pièces.
• L'agriculture compte les fruits, détecte les mauvaises herbes et surveille le bétail.
• Les applications d'accessibilité décrivent l'environnement aux personnes aveugles et malvoyantes.
• Les applications photo s'en servent pour organiser les bibliothèques (« montre-moi les photos avec des chiens »).

Questions fréquentes

La détection d'objets est-elle la même chose que la reconnaissance faciale ?

Non. Détecter un visage, c'est trouver où se trouvent les visages. Reconnaître un visage, c'est identifier la personne, une tâche distincte et bien plus sensible.

Qu'est-ce qu'un cadre englobant ?

Un rectangle qui indique où se trouve un objet, généralement enregistré sous forme de position x et y d'un coin, plus une largeur et une hauteur en pixels.

YOLO ou DETR : lequel est le meilleur ?

Cela dépend de l'usage. Les modèles YOLO sont optimisés pour la vitesse en temps réel. DETR a une conception plus simple et gère bien les scènes chargées. Les deux sont très utilisés.

Puis-je utiliser les résultats dans mon propre projet ?

Oui. L'export JSON vous donne chaque étiquette, score et cadre en coordonnées pixels, un bon point de départ pour un prototype ou de l'annotation.

En résumé

La détection d'objets répond à deux questions à la fois : qu'y a-t-il sur l'image, et où ? Les modèles modernes le font en une fraction de seconde, et vous pouvez désormais les exécuter directement dans un navigateur pour voir comment ils se comportent sur vos propres photos.