Computer vision
ce qu’une machine fait vraiment d’une image
Du pixel à la décision, les quatre tâches du domaine et les situations où ces systèmes se trompent.
La computer vision, ou vision par ordinateur, est la branche de l’intelligence artificielle qui analyse des images et des vidéos pour en extraire une information exploitable. Le système ne voit pas comme nous : il associe des configurations de pixels à des étiquettes apprises, puis rend une probabilité, pas une certitude. Le domaine se découpe en quatre tâches distinctes, et ses erreurs suivent des schémas identifiables.
- Vision par ordinateur : la traduction française du terme, employée dans les mêmes textes.
- Une estimation, pas un constat : le modèle sort une probabilité, un seuil humain tranche ensuite.
- Quatre tâches : classer, détecter, segmenter, lire du texte — difficultés et usages différents.
- L’erreur est structurelle : conditions de prise de vue, cas jamais vus, biais des données.
- Dès qu’un visage est analysé : le traitement relève des données personnelles.
Votre téléphone reconnaît votre visage en moins d’une seconde. Il se trompe pourtant de temps en temps, et presque toujours dans les mêmes circonstances : lumière rasante, angle inhabituel, moitié du visage masquée. Une technique très efficace dont les échecs sont prévisibles — c’est exactement la signature d’un système qui calcule une ressemblance, et non d’un système qui reconnaît quelqu’un.
Vision par ordinateur
de quoi on parle au juste
La computer vision, en français vision par ordinateur, désigne la branche de l’intelligence artificielle qui fait analyser des images et des vidéos par une machine. Pas les afficher, pas les stocker : en extraire une information exploitable. Reconnaître qu’une photo contient un chat, repérer l’endroit précis où se trouve un panneau de signalisation, lire un numéro sur une plaque, isoler le contour d’un organe sur une radiographie.
Le mot « vision » est trompeur, et c’est la première chose à mettre de côté. Un tel système ne voit pas au sens où nous voyons. Il n’a ni attention, ni contexte, ni souvenirs, et pas la moindre idée de ce qu’est un chat. Il a appris, sur un très grand nombre d’exemples, que certaines configurations de valeurs numériques accompagnent l’étiquette « chat » — et il applique cette association à l’image qu’on lui présente.
La nuance paraît académique. Elle explique en réalité tous les comportements déroutants de ces systèmes, y compris les plus spectaculaires.
Du pixel à la décision, ce que la machine manipule
Une image, pour un ordinateur, est un tableau de nombres : chaque point porte des valeurs d’intensité lumineuse, une par canal de couleur. Une photo de smartphone représente plusieurs millions de ces valeurs rangées en grille. C’est l’unique matière première du traitement.
Le travail du modèle consiste à faire remonter de la structure depuis cette grille. Les premières étapes repèrent des choses très élémentaires : une rupture de contraste, une orientation de bord, une tache uniforme. Les suivantes combinent ces éléments en motifs plus larges — un coin, une texture, un arrangement caractéristique. Plus on avance, plus les motifs deviennent abstraits et spécifiques au problème appris. C’est le principe des réseaux de neurones convolutifs, longtemps l’architecture de référence du domaine, aujourd’hui complétée par d’autres familles de modèles.
Vient ensuite le point que la plupart des contenus passent sous silence. À la sortie, le modèle ne rend pas un verdict mais une distribution de probabilités : disons, à titre d’illustration, une valeur nettement dominante sur « chat », une valeur résiduelle sur « chien », le reste dispersé. C’est un programme classique, écrit par un développeur, qui décide ensuite quoi faire de ce nombre — au-delà de tel seuil on déverrouille le téléphone, en dessous on redemande le code.
Une sortie statistique, un seuil choisi par un humain, une décision. Un système de vision par ordinateur ne constate rien : il estime.
Les quatre grandes tâches à ne pas confondre
Le domaine reste confus tant qu’on ne l’a pas découpé selon les tâches qui le composent. Elles n’ont ni la même difficulté, ni les mêmes usages, ni la même maturité. Un produit réel en enchaîne souvent plusieurs : une caisse automatique détecte d’abord les articles, puis lit les codes ou les étiquettes.
Classer une image
Attribuer une étiquette globale : cette photo montre-t-elle un vélo ? La tâche la plus simple à formuler, et la plus limitée — elle ne dit rien de l’endroit où se trouve l’objet, ni du nombre d’objets présents.
Détecter et localiser
Le système ne répond plus « il y a une voiture » mais « il y a trois voitures, respectivement ici, ici et là », en encadrant chacune. C’est la brique des aides à la conduite et du comptage automatique.
Découper au pixel près
Au lieu d’un rectangle approximatif, on obtient le contour exact de l’objet. L’imagerie médicale et l’analyse satellitaire en dépendent, parce qu’un rectangle ne suffit pas quand on mesure une surface.
Reconnaître des caractères
Un problème très ancien, bien traité sur du texte imprimé et propre, encore délicat sur une écriture manuscrite ou une photo prise de travers. C’est lui qui travaille quand une application récupère les informations d’un justificatif.
Où vous croisez déjà la vision par ordinateur
Il existe un test simple pour la repérer dans un produit, et il tient en deux questions.
Une image ou un flux vidéo entre-t-il dans le système ? Une décision automatique en sort-elle sans qu’un humain ait regardé l’image ? Si les deux réponses sont oui, il y a de la vision par ordinateur derrière.
Appliqué aux objets du quotidien, ce test permet de rattacher chaque usage à l’une des quatre tâches ci-dessus — ce qui rend la grille de lecture immédiatement utile plutôt que théorique.
| Usage du quotidien | Tâche mobilisée | Ce que le système rend |
|---|---|---|
| Déverrouillage par le visage | Classification | Un score de ressemblance comparé à un seuil |
| Tri de la galerie photo par personne ou par lieu | Classification et détection | Des étiquettes de regroupement |
| Aide à la conduite qui lit les panneaux | Détection | La position et la nature des éléments repérés |
| Dépôt d’un justificatif photographié | Lecture de texte | Des champs de texte extraits de l’image |
| Contrôle qualité en fin de chaîne industrielle | Détection et segmentation | Une pièce conforme ou écartée |
| Analyse d’une image médicale | Segmentation | Un contour et une mesure de surface |
Aucun de ces exemples ne sort d’un laboratoire. Le contrôle qualité industriel illustre bien l’intérêt réel de ces systèmes : la caméra applique le même critère à la première pièce et à la dix millième, sans variation d’attention au fil des heures. Ce n’est pas une question de performance supérieure, c’est une question de constance.
Pourquoi ces systèmes se trompent
Une erreur de vision par ordinateur n’est pas un dysfonctionnement. C’est une propriété du procédé, et elle se manifeste selon des schémas assez réguliers.
Les conditions de prise de vue arrivent en premier. Contre-jour, faible lumière, angle très inhabituel, objet partiellement masqué : le modèle n’a peut-être jamais rencontré cette configuration pendant son apprentissage. Il produit malgré tout une réponse, puisque c’est la seule chose qu’il sache faire.
Vient ensuite ce qui manquait aux données d’entraînement. Un modèle nourri de voitures européennes se débrouille moins bien sur un véhicule dont la silhouette lui est étrangère. Rien dans le système ne signale « je n’ai jamais vu ça » : il rapproche l’inconnu de ce qu’il connaît, sans le mentionner.
Le biais du jeu de données est le cas le plus documenté et le plus sérieux. Si les exemples d’apprentissage sous-représentent certains groupes de personnes, certains contextes ou certaines conditions d’éclairage, les performances chutent sur ces cas sans que rien ne l’annonce. Ce n’est pas une intention, c’est un héritage direct des données collectées.
Un modèle peut se tromper en affichant une probabilité très haute. C’est pourquoi un humain reste dans la boucle partout où une erreur causerait un préjudice — refus d’accès, diagnostic, décision administrative — et pourquoi un score de précision mesuré sur un jeu de test ne dit rien de ce qui se passera dans un couloir mal éclairé.
Analyser une image n’est pas en générer une
Beaucoup de lecteurs arrivent sur ce sujet après avoir manipulé des intelligences artificielles qui fabriquent des images. La confusion est logique, la distinction pourtant nette : le sens de circulation est inversé.
La vision par ordinateur reçoit une image existante et en sort une information — une étiquette, des coordonnées, un texte. L’IA générative reçoit une description et en sort une image qui n’existait pas. Analyser dans un cas, fabriquer dans l’autre.
Les deux mondes se rencontrent sur un geste que vous avez peut-être déjà fait : photographier une étagère, un plat ou un document, puis demander à un assistant conversationnel ce qu’il y voit. Là, une partie analyse l’image et une autre rédige la réponse en français. Le même produit enchaîne donc de l’analyse d’image et de la génération de texte — ce qui ne fait pas des deux disciplines une seule et même chose.
Ce que le droit français impose dès qu’il y a un visage
Analyser une image, techniquement, est libre. Analyser l’image d’une personne identifiable est un traitement de données personnelles, avec les obligations qui vont avec : une finalité déclarée, une base légale, une information des personnes concernées, une durée de conservation limitée.
Une distinction structure le sujet, et elle est souvent écrasée dans les discussions publiques. Détecter qu’une silhouette est présente dans le champ d’une caméra ne revient pas à identifier qui est cette personne. La reconnaissance faciale, qui compare un visage à une base pour l’associer à une identité, relève d’un encadrement nettement plus strict que la simple détection de présence. Le régime applicable dépend de la finalité poursuivie et du responsable du traitement : on ne peut donc pas dire que ce soit autorisé ou interdit en bloc. Déverrouiller son propre téléphone avec son visage et installer un dispositif d’identification dans un espace ouvert au public ne se traitent pas de la même manière.
Pour un projet concret, la documentation de la CNIL est le point d’entrée à privilégier, et un avis juridique reste nécessaire dès que des personnes sont filmées dans un cadre professionnel. La faisabilité technique ne dit rien de la licéité, et les deux questions se posent à la conception, pas après le déploiement.
Comment dit-on computer vision en français ?
Vision par ordinateur. Les deux formulations circulent dans les mêmes textes, y compris dans la documentation institutionnelle française, et désignent exactement la même discipline. Le terme anglais reste majoritaire dans les intitulés de poste et les publications techniques.
Quelle différence entre computer vision et reconnaissance faciale ?
La reconnaissance faciale est une application particulière de la vision par ordinateur, pas son équivalent. La discipline couvre aussi la lecture de texte, le contrôle qualité industriel, l’imagerie médicale ou la détection d’obstacles, qui n’impliquent aucune identification de personne.
Est-ce la même chose que l’IA qui génère des images ?
Non, le sens de circulation est inversé. La vision par ordinateur reçoit une image et en sort une information. L’IA générative reçoit une description et en sort une image. Certains modèles récents combinent les deux capacités dans un même produit, ce qui entretient la confusion.
Pourquoi mon téléphone confond-il parfois deux personnes ?
Parce qu’il compare des configurations numériques, pas des identités. Un éclairage inhabituel, un angle rare ou une forte ressemblance morphologique suffisent à rapprocher deux visages dans la représentation du modèle. Le système rend alors une réponse fausse avec une probabilité qui peut rester élevée.
Faut-il être bon en mathématiques pour travailler dans ce domaine ?
Pour concevoir ou entraîner des modèles, oui : algèbre linéaire, probabilités et optimisation sont le socle du métier. Pour intégrer des briques existantes dans une application, la compétence dominante est le développement logiciel et la compréhension des limites du modèle utilisé.
La prochaine fois qu’un système d’analyse d’image se trompera devant vous, regardez les conditions plutôt que le logiciel : l’éclairage, l’angle, ce qui manquait probablement à son apprentissage.