Entre la magie de science-fiction et le LLM à tout faire, la vision par ordinateur traîne deux malentendus. La famille d'IA qui compte, mesure et inspecte à partir d'images, les trois terrains où elle se rentabilise, et le test simple pour savoir si votre problème en relève vraiment.
Quand on dit « IA » en 2026, presque tout le monde pense à ChatGPT. Un truc qui écrit, qui répond, qui discute. Du coup la vision par ordinateur, la branche de l’IA qui permet à une machine de « voir », se retrouve rangée dans deux mauvaises cases : soit la magie de film de science-fiction, soit une variante de ChatGPT avec une caméra branchée dessus. Les deux sont faux.
La computer vision, c’est une caméra plus un modèle entraîné sur des images, qui accomplit une tâche précise : classer, détecter, compter, mesurer, lire. Pas de LLM là-dedans, pas de « compréhension » du monde. Une ligne de production qui repère une pièce défectueuse, un parking qui compte ses places libres, un formulaire scanné qui se remplit tout seul : c’est de la vision, et ça tourne en entreprise depuis des années, bien avant la vague des chatbots.
Trois questions se posent alors, concrètes : ce que la vision par ordinateur sait vraiment faire, sur quoi elle repose une fois le capot ouvert, et quand c’est la bonne techno face à un LLM ou à un simple capteur. Sans survente, avec les cas où ça ne vaut pas le coup.
La computer vision, c’est quoi (et pourquoi ce n’est pas ChatGPT) ?
La vision par ordinateur regroupe les techniques qui font qu’un programme tire une information utile d’une image ou d’une vidéo. « Utile » veut dire exploitable par un système : une étiquette (conforme / non conforme), une position (l’objet est ici), un nombre (34 personnes), une mesure (12,4 mm), un texte (le contenu d’une plaque ou d’un document).
C’est de l’IA, au sens où ça repose sur de l’apprentissage automatique. Mais c’est une famille différente des grands modèles de langage, ces fameux LLM. Un LLM travaille sur du texte : il découpe les mots en jetons et prédit la suite la plus probable. Un modèle de vision travaille sur des pixels : il apprend à reconnaître des motifs visuels et sort une décision. Deux familles, deux types de données en entrée, deux usages. Confondre les deux, c’est comme confondre un tableur et un traitement de texte parce que les deux tournent sur un ordinateur.
Cette famille n’est pas neuve. Le tournant date de 2012, quand les réseaux de neurones profonds ont écrasé la concurrence sur le concours de référence ImageNet, une base de millions d’images à classer. C’est le moment où la reconnaissance d’images est passée du laboratoire à l’usage industriel. Depuis, la brique s’est banalisée : détecter un objet dans un flux vidéo en temps réel est aujourd’hui une tâche standard, pas un exploit.
Que sait vraiment faire la vision par ordinateur ?
La quasi-totalité des projets de vision se ramène à sept tâches de base. Les reconnaître dans votre contexte vous dit tout de suite si le sujet est traitable.
- Classer : mettre une image dans une catégorie. Ce produit est conforme ou non. Ce grain de café est mûr ou vert. Cette radio présente une anomalie ou non.
- Détecter et localiser : trouver où sont les objets dans l’image et les entourer. Utile dès qu’on veut savoir combien et où, pas juste « oui il y en a ».
- Compter : dénombrer. Des personnes dans une file, des véhicules sur un axe, des pièces sur un tapis, des palettes dans un entrepôt.
- Mesurer : sortir une dimension, une distance, un angle. C’est là que la vision remplace un instrument de contrôle, avec une précision qui peut rivaliser avec une mesure physique quand les conditions sont maîtrisées.
- Lire : transformer une image de texte en texte exploitable. C’est l’OCR, mûr depuis longtemps : plaques d’immatriculation, factures, étiquettes, formulaires manuscrits.
- Segmenter : délimiter au pixel près une zone d’intérêt. Le contour exact d’un défaut sur une pièce, d’une parcelle sur une image satellite, d’une zone sur une image médicale.
- Suivre : garder la trace d’un objet dans le temps sur une vidéo. Une trajectoire, un flux, un temps de présence.
La plupart des cas réels combinent deux ou trois de ces briques. Un contrôle qualité, par exemple, détecte la pièce, la mesure, puis la classe conforme ou non.
Sur quoi ça tourne, concrètement ?
Un système de vision tient sur trois briques, pas plus.
La première, c’est le capteur : une caméra, parfois plusieurs, parfois une caméra particulière (infrarouge pour la chaleur, 3D pour le volume, haute cadence pour une ligne rapide). Le choix du capteur et de son installation pèse souvent plus lourd que le choix du modèle.
La deuxième, c’est le modèle entraîné. Ici, un malentendu à casser : on n’écrit pas des règles à la main du genre « si tel pixel est sombre, alors défaut ». On montre au modèle des milliers d’exemples déjà étiquetés (voici une pièce conforme, voici une pièce défectueuse) et il apprend seul les motifs qui distinguent les cas. Conséquence directe : le nerf de la guerre, ce sont les images annotées. Un projet de vision se gagne ou se perd sur la qualité et la quantité de cette donnée d’entraînement, bien plus que sur le choix de l’algorithme.
La troisième, c’est le calcul. Deux options. Soit sur site, sur un petit boîtier près de la caméra, ce qu’on appelle l’edge : les images ne quittent jamais le local, la réponse est immédiate, c’est le choix du temps réel et de la souveraineté des données. Soit sur un serveur, quand on peut se permettre d’envoyer les images et d’attendre quelques centaines de millisecondes.
Une contrainte revient sur tous les projets : la qualité des images. Lumière stable, angle constant, objectif propre. Un modèle brillant sur des photos de test bien cadrées peut s’effondrer le jour où l’éclairage de l’atelier change. On croit à un détail technique. C’est le premier facteur de réussite ou d’échec.
Computer vision ou LLM : lequel choisir ?
C’est la confusion la plus coûteuse du moment. Beaucoup d’entreprises, séduites par ChatGPT, cherchent à tout résoudre avec un LLM, y compris des problèmes qui relèvent de la vision. Le tableau suivant tranche vite.
| Critère | Computer vision | LLM (type ChatGPT) |
|---|---|---|
| Entrée | Images, vidéo | Texte |
| Sortie | Étiquette, position, mesure, comptage, texte lu | Texte généré |
| Tâche typique | Détecter un défaut, compter, mesurer, lire | Rédiger, résumer, répondre, classer du texte |
| Comportement | Déterministe sur une tâche cadrée | Probabiliste, peut se tromper avec aplomb |
| Coût une fois en place | Faible par image | Variable, facturé au volume de texte |
La règle simple : si votre problème part d’une image ou d’une vidéo et attend une décision factuelle (combien, où, quelle taille, conforme ou non), c’est de la vision. Si votre problème part d’un texte et attend un texte, c’est un LLM.
Les deux se combinent souvent, d’ailleurs. La vision lit un document et en extrait le texte brut, puis un assistant branché sur ces documents métier le structure et répond aux questions dessus. On garde alors un œil sur la facture, parce que le coût d’un LLM se mesure au volume de texte traité, pas par image. Mais on choisit chaque brique pour ce qu’elle sait faire. « Je veux compter les palettes qui sortent de mon quai », c’est de la vision. « Je veux répondre automatiquement à mes clients », c’est un LLM. Vouloir faire l’un avec l’autre, c’est le plus court chemin vers un projet cher et bancal.
Pour qui ? Trois terrains où la vision paye
La vision par ordinateur n’est pas réservée aux usines de pointe. Trois familles de terrains la rentabilisent vite.
L’industrie et la production. C’est le terrain historique. Contrôle qualité en ligne (repérer le défaut plus vite et plus régulièrement qu’un œil humain fatigué en fin de poste), comptage de pièces, lecture de codes et d’étiquettes, mesure dimensionnelle sur la chaîne. Le gain n’est pas seulement la vitesse : c’est la régularité. Une caméra ne se déconcentre pas à 16 h.
Le retail et les lieux de flux. Comptage de visiteurs, taux d’occupation d’un espace, détection de rupture en rayon, suivi des files d’attente. Des informations que les enseignes payaient cher en comptages manuels ponctuels, et qu’une caméra bien placée fournit en continu.
Le terrain, le BTP, l’infrastructure. Vérifier le port des équipements de sécurité sur un chantier, suivre l’avancement d’un ouvrage, inspecter un pont ou une toiture par drone plutôt que par nacelle, contrôler la conformité d’une installation. Partout où envoyer un humain regarder est lent, cher ou dangereux, la vision a un angle.
Le point commun de ces trois terrains : une tâche visuelle répétitive, à fort volume, où la régularité compte autant que la justesse. C’est le profil idéal.
Ce que j’ai appris en construisant un système qui mesure comme un instrument
Sur une mission, j’ai eu à construire un système de vision dont la précision devait rivaliser avec celle d’un instrument de mesure physique. Pas « à peu près bon » : bon au point qu’on puisse remplacer l’instrument par la caméra.
La leçon principale : le modèle, c’est 20 % du travail. Les 80 % restants, c’est le contrôle des conditions. Fixer l’éclairage pour qu’il ne bouge jamais. Calibrer. Gérer les cas limites que personne n’avait anticipés (un reflet, une poussière, un objet légèrement de travers). Construire la boucle qui détecte quand le système sort de son domaine de confiance et le signale, au lieu de sortir une mesure fausse en silence.
C’est le vrai visage de la computer vision en production, loin de la démo. Un modèle qui brille sur un jeu de test propre ne prouve rien. Ce qui prouve, c’est un système qui tient trois mois d’affilée dans un environnement qui bouge. La plupart des projets de vision meurent dans cet écart entre « ça marche en démo » et « ça tient en prod ».
Quand la computer vision ne vaut pas le coup
Le réflexe honnête, avant de lancer un projet, c’est de chercher les raisons de ne pas le faire. Les principales reviennent tout le temps.
- Quand un capteur simple suffit. Une cellule photoélectrique, un capteur de poids, un lecteur de code-barres font parfois le job pour cent fois moins cher qu’une caméra plus un modèle. Si le problème se résout avec un capteur à quelques euros, la vision est un luxe inutile.
- Quand les conditions varient trop, sans budget pour les maîtriser. Éclairages changeants, objets très divers, angles imprévisibles : plus l’environnement est chaotique, plus le coût d’annotation et de maintenance grimpe. Sans budget pour cadrer l’environnement, le projet dérape.
- Quand le volume ne le justifie pas. Un modèle a un coût fixe d’entraînement et de maintenance. Sur un faible volume de contrôles par jour, un humain reste moins cher et plus souple. La vision se rentabilise sur la répétition à grande échelle.
- Quand la donnée d’entraînement manque et coûte trop cher à produire. Pas d’images étiquetées, pas de modèle. Si constituer ce jeu de données demande des mois de travail manuel, il faut l’intégrer au coût du projet, pas le découvrir après.
Et un point que les fournisseurs oublient de mentionner : un système de vision vieillit. Nouveau produit, nouvelle caméra, nouvelle saison, nouvelle lumière, et le modèle se met à dériver. Un projet de vision n’est pas un livrable qu’on pose et qu’on oublie, c’est un système vivant qu’il faut surveiller et réentraîner. Qui refuse d’intégrer ce coût de maintenance vend une illusion.
Questions fréquentes
La computer vision, est-ce de l’IA générative ? Non. L’IA générative produit du contenu nouveau (texte, image, son). La vision par ordinateur analyse une image existante pour en extraire une information factuelle. Ce sont deux familles distinctes, même si certains outils récents les combinent.
Faut-il beaucoup de données pour démarrer ? Ça dépend de la tâche. Certaines tâches courantes profitent de modèles pré-entraînés qu’on adapte avec quelques centaines d’exemples. Une tâche très spécifique demande un jeu d’images annotées propre à votre cas. Dans tous les scénarios, la qualité de l’annotation compte plus que la quantité brute.
Est-ce que ça marche en temps réel ? Oui, c’est même un usage standard. La détection d’objets dans un flux vidéo tourne en temps réel, y compris sur un petit boîtier installé sur site. Le temps réel n’est pas le point dur ; les conditions d’image le sont.
Computer vision et RGPD : quel impact ? Dès qu’on filme des personnes, on entre dans le champ des données personnelles : il faut une base légale, de la minimisation (ne garder que ce qui est utile), souvent de l’anonymisation, et de l’information des personnes. Beaucoup de cas se traitent sans jamais stocker de visage, en ne gardant que le comptage ou la mesure. C’est un point à cadrer dès la conception, pas après.
Peut-on faire tourner un modèle de vision sans envoyer les images dans le cloud ? Oui. C’est même souvent préférable. Un traitement sur site (edge) garde les images dans vos murs, répond immédiatement et réduit la surface RGPD. C’est un bon réflexe de souveraineté sur vos données quand les images sont sensibles.
Par où commencer
La vision par ordinateur n’est ni de la magie ni un LLM déguisé. C’est une brique mûre et rentable, à condition de la poser sur le bon problème : une tâche visuelle répétitive, à fort volume, où la régularité paye. Et de refuser de la poser là où un capteur, un humain ou un LLM ferait mieux.
Le meilleur point de départ n’est pas de choisir un outil, c’est de qualifier honnêtement le besoin plutôt que de partir d’un « on veut de l’IA » : est-ce vraiment un problème de vision, les conditions sont-elles maîtrisables, le volume justifie-t-il l’investissement ? Parfois la réponse est une caméra et un modèle. Parfois c’est un simple capteur. Parfois c’est non, et le dire fait gagner du temps à tout le monde. Si vous voulez trancher cette question sur votre cas précis, parlons-en.
Veille IA
Un email par semaine, sans esbroufe
Tendances IA, décryptages sans jargon, et convictions sur la souveraineté technologique, directement dans votre boîte.
