Accueil › Glossaire › Object Detection

Object Detection (Détection d’Objets)

L’object detection (ou détection d’objets) est une tâche de vision par ordinateur qui consiste à localiser et identifier automatiquement chaque objet présent dans une image ou une vidéo, en prédisant pour chacun une bounding box (rectangle englobant) et une catégorie.

L’image classification dit « cette image contient un chat ». L’object detection dit « il y a un chat aux coordonnées (120, 80, 350, 290) et un chien aux coordonnées (400, 150, 600, 450) ». C’est le passage de la compréhension globale à la compréhension spatiale : savoir quoi et où.

L’object detection est la technologie au cœur des véhicules autonomes, de la vidéosurveillance intelligente, du contrôle qualité industriel, de la robotique, et de la réalité augmentée. Le marché mondial de la vision par ordinateur atteignait environ $19,8 milliards en 2024, avec une croissance annuelle projetée de ~20%. La famille de modèles YOLO (You Only Look Once), la plus populaire pour la détection en temps réel, en est à sa version YOLO26 (septembre 2025), avec des performances sans précédent sur les appareils edge.

Principe de fonctionnement

Un détecteur d’objets résout simultanément deux problèmes : la localisation (où se trouvent les objets dans l’image ?) et la classification (que sont ces objets ?). Pour chaque objet détecté, le modèle produit une bounding box (coordonnées x, y, largeur, hauteur), un label de classe (parmi les catégories définies), et un score de confiance (probabilité que la détection soit correcte).

La métrique d’évaluation standard est le mAP (mean Average Precision), qui mesure la précision de détection moyennée sur toutes les classes et sur différents seuils d’IoU (Intersection over Union, le recouvrement entre la bounding box prédite et la bounding box de référence). Sur le benchmark COCO, les résultats sont typiquement reportés en mAP@[0.5:0.95] (moyenné sur 10 seuils IoU de 0,5 à 0,95).

Les deux grandes familles de détecteurs

Détecteurs two-stage (à deux étapes)

Les détecteurs two-stage séparent la localisation et la classification en deux phases distinctes :

Phase 1 : Propositions de régions. Un réseau (RPN, Region Proposal Network) génère des milliers de régions candidates susceptibles de contenir des objets.

Phase 2 : Classification et raffinement. Chaque région candidate est classifiée (objet ou fond) et sa bounding box est affinée.

Le modèle fondateur est R-CNN (Girshick et al., 2014), qui a démontré qu’un CNN pré-entraîné pouvait être utilisé pour la détection d’objets. Fast R-CNN a optimisé le processus en partageant les features entre régions. Faster R-CNN (Ren et al., 2015) a remplacé la recherche sélective par un RPN neuronal, rendant le pipeline entièrement end-to-end. Mask R-CNN a ajouté une branche de segmentation d’instance, permettant de prédire un masque pixel par pixel en plus de la bounding box.

Les two-stage sont généralement plus précis mais plus lents que les one-stage. Ils restent utilisés quand la précision prime sur la vitesse (imagerie médicale, analyse d’images satellite).

Détecteurs one-stage (à une étape)

Les détecteurs one-stage prédisent directement les bounding boxes et les classes pour chaque position dans l’image en un seul passage du réseau, sans étape de proposition de régions. Résultat : une inférence beaucoup plus rapide, adaptée au temps réel.

YOLO (Redmon et al., 2016) a posé le paradigme : diviser l’image en grille, prédire les bounding boxes et les classes pour chaque cellule en un seul forward pass. L’idée révolutionnaire est dans le nom : « You Only Look Once ».

SSD (Single Shot Multibox Detector, Liu et al., 2016) : détections multi-échelle à différentes résolutions de features. Plus rapide que Faster R-CNN avec une précision comparable.

RetinaNet (Lin et al., 2017) : a résolu le problème du déséquilibre de classes (beaucoup plus de fond que d’objets) avec la Focal Loss, permettant aux one-stage d’atteindre la précision des two-stage.

La famille YOLO : de YOLOv1 à YOLO26

YOLO est la série de modèles la plus influente en détection d’objets. Voici les versions clés :

YOLO26, la dernière version d’Ultralytics, marque une rupture avec les versions précédentes. Ses innovations principales : inférence end-to-end sans NMS (Non-Maximum Suppression), suppression de la Distribution Focal Loss pour simplifier l’export edge, un nouvel optimiseur MuSGD (hybride SGD + Muon, inspiré des avancées LLM), et des améliorations spécifiques aux petits objets (ProgLoss + STAL). Résultat : jusqu’à 43% plus rapide en inférence CPU que YOLO11 à précision comparable. YOLO26 supporte 5 tâches unifiées : détection, segmentation d’instance, classification, estimation de pose, et détection de bounding boxes orientées (OBB).

Détecteurs basés sur les Transformers

Les architectures Transformer ont aussi transformé l’object detection, en éliminant les composants heuristiques (anchor boxes, NMS) au profit d’une approche end-to-end.

DETR (DEtection TRansformer, Carion et al., 2020) : le premier détecteur end-to-end basé sur un Transformer. DETR utilise un encodeur CNN + un décodeur Transformer avec des object queries apprises. Pas d’anchor boxes, pas de NMS. Innovant conceptuellement mais lent à converger et moins performant sur les petits objets.

RT-DETR (Real-Time DETR, Baidu, 2023) : adaptation de DETR pour le temps réel. Performances compétitives avec les YOLO tout en gardant l’architecture end-to-end sans NMS.

RF-DETR (Roboflow, 2025) : combine un backbone DINOv2 pré-entraîné avec un décodeur DETR optimisé. RF-DETR-Medium atteint 54,7% mAP sur COCO avec seulement 4,52ms de latence sur un GPU T4, surpassant les variantes YOLO comparables en précision. C’est le détecteur transformer temps réel de référence en 2025.

Grounding DINO (IDEA Research, 2023) : détecteur zero-shot qui combine vision et langage. Vous décrivez en texte ce que vous cherchez (« a person wearing a helmet ») et le modèle le détecte sans entraînement spécifique. 52,5% mAP sur COCO en zero-shot (sans données COCO), 63,0% après fine-tuning.

YOLO-World : combine le backbone YOLOv8 avec un module vision-langage (RepVL-PAN) pour la détection zero-shot en temps réel. Maintient la vitesse YOLO tout en offrant la flexibilité de la détection par prompt textuel.

Benchmarks et métriques

mAP (mean Average Precision) : la métrique de référence. Elle calcule la précision moyenne (aire sous la courbe précision-rappel) pour chaque classe, puis moyenne sur toutes les classes. COCO utilise mAP@[0.5:0.95] (moyenne sur 10 seuils IoU), plus exigeant que le mAP@0.5 de Pascal VOC.

IoU (Intersection over Union) : mesure le chevauchement entre la bounding box prédite et la vérité terrain. IoU = surface d’intersection / surface d’union. Un seuil de 0,5 signifie que la prédiction doit couvrir au moins 50% de la vérité terrain pour être considérée correcte.

Latence / FPS : le temps d’inférence par image, critique pour les applications temps réel. Les modèles YOLO atteignent 30-100+ FPS sur GPU, les modèles two-stage sont généralement à 5-15 FPS.

Outils et code

Détection avec YOLO (Ultralytics)

# pip install ultralytics
from ultralytics import YOLO

# Charger un modèle pré-entraîné sur COCO (80 classes)
model = YOLO("yolo11n.pt")  # ou "yolo26n.pt" pour YOLO26

# Inférence sur une image
results = model("photo.jpg")

# Parcourir les détections
for result in results:
    for box in result.boxes:
        classe = result.names[int(box.cls)]
        confiance = float(box.conf)
        coords = box.xyxy[0].tolist()  # [x1, y1, x2, y2]
        print(f"{classe}: {confiance:.2f} at {coords}")

# Sauvegarder l'image annotée
results[0].save("resultat.jpg")

# Inférence vidéo en temps réel
results = model("video.mp4", stream=True)
for r in results:
    r.save()  # Sauvegarde chaque frame annotée

Fine-tuning YOLO sur vos données

from ultralytics import YOLO

# Fine-tuner YOLO sur un dataset personnalisé
model = YOLO("yolo11s.pt")  # Charger un modèle pré-entraîné

# Entraîner sur votre dataset (format YOLO ou COCO)
model.train(
    data="dataset.yaml",  # Chemin vers le fichier de config
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # GPU 0
)

# Évaluer sur le jeu de validation
metrics = model.val()
print(f"mAP@0.5: {metrics.box.map50:.3f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

# Exporter pour le déploiement
model.export(format="onnx")       # ONNX (universel)
model.export(format="tflite")     # TensorFlow Lite (mobile)
model.export(format="engine")     # TensorRT (NVIDIA)

Détection zero-shot avec Grounding DINO

# pip install groundingdino-py
from groundingdino.util.inference import load_model, load_image, predict

model = load_model("groundingdino_swint_ogc.pth", "GroundingDINO_SwinT_OGC.py")

image_source, image = load_image("photo.jpg")

# Détection par prompt textuel (zero-shot)
boxes, logits, phrases = predict(
    model=model,
    image=image,
    caption="person wearing helmet . red car . traffic light",
    box_threshold=0.35,
    text_threshold=0.25
)

for box, logit, phrase in zip(boxes, logits, phrases):
    print(f"{phrase}: {logit:.2f} at {box.tolist()}")

Applications concrètes

Véhicules autonomes. Détection en temps réel des piétons, véhicules, cyclistes, panneaux, feux de circulation, et obstacles. Tesla traite plus de 50 tâches de détection simultanées. La détection fiable à 30+ FPS avec une latence minimale est critique pour la sécurité.

Vidéosurveillance et sécurité. Détection d’intrusions, comptage de personnes, détection de comportements suspects, et reconnaissance de plaques d’immatriculation. Les systèmes modernes utilisent YOLO ou RT-DETR déployés sur des caméras IP avec traitement edge (NVIDIA Jetson).

Contrôle qualité industriel. Détection de défauts sur les lignes de production (rayures, fissures, composants manquants), comptage de pièces, vérification d’assemblage. La vitesse d’inférence de YOLO permet un contrôle à 100% de la production en temps réel.

Imagerie médicale. Détection de lésions sur les radiographies, localisation de tumeurs sur les scanners CT, détection de cellules anormales sur les coupes histologiques. Mask R-CNN et les variantes DETR sont préférées pour leur précision supérieure.

Agriculture et drones. Comptage de fruits, détection de maladies des plantes, identification d’animaux, et surveillance de parcelles par drone. Les modèles YOLO déployés sur les drones permettent un traitement en vol sans transmission vers le cloud.

Retail et commerce. Self-checkout sans caisse (détection des produits pris), gestion automatisée des stocks (détection des produits en rayon), et analyse du trafic en magasin (comptage et parcours des clients).

Robotique. Détection et localisation des objets à manipuler (pick-and-place), navigation en environnement dynamique, et interaction homme-robot. Les modèles de détection alimentent les systèmes de perception des robots industriels et domestiques.

Défis de l’object detection

Petits objets. La détection d’objets de petite taille (moins de 32×32 pixels sur une image 640×640) reste le défi technique principal. Les features de ces objets sont peu représentées dans les couches profondes du réseau. YOLO26 adresse ce problème avec STAL (Small-Target-Aware Label Assignment) et ProgLoss.

Occultation et chevauchement. Quand des objets se recouvrent partiellement, le détecteur doit identifier chaque objet individuellement malgré l’occultation. Le NMS traditionnel peut supprimer des détections valides d’objets superposés. Les approches NMS-free (DETR, YOLO26) adressent partiellement ce problème.

Conditions adverses. Pluie, brouillard, faible luminosité, contre-jour dégradent fortement les performances des détecteurs entraînés sur des images propres. Des datasets spécialisés comme AODRaw (présenté à CVPR 2025) couvrent spécifiquement ces conditions.

Annotation. L’annotation de bounding boxes est nettement plus coûteuse que l’annotation de labels de classification (typiquement $0,05 à $0,50 par bounding box). Un projet de détection nécessite souvent 5 000 à 50 000 images annotées. Les outils de pré-annotation avec YOLO ou Grounding DINO réduisent considérablement ce coût.

Déploiement edge. Les contraintes de mémoire, de calcul et d’énergie des appareils embarqués (smartphones, drones, caméras IoT) limitent la taille des modèles. YOLO26 est spécifiquement optimisé pour ce scénario avec une inférence CPU jusqu’à 43% plus rapide que les versions précédentes.

Bonnes pratiques

Commencez avec un modèle pré-entraîné COCO. Ne partez jamais de zéro. Chargez un YOLO ou RF-DETR pré-entraîné sur COCO (80 classes) et fine-tunez sur vos données. Même si vos classes cibles n’existent pas dans COCO, les features bas-niveau (contours, textures) sont réutilisables.

Annotez avec une plateforme dédiée. Utilisez Roboflow, CVAT, Label Studio, ou Labelbox pour annoter vos images. Ces outils supportent la pré-annotation assistée par IA (un modèle YOLO pré-entraîné propose des bounding boxes que vous corrigez), réduisant le temps d’annotation de 50 à 70%.

Augmentez vos données. Flip horizontal, rotation, crop aléatoire, changement de luminosité/contraste, et mosaïque (assembler 4 images en une seule, technique standard dans YOLO). L’augmentation est gratuite et améliore systématiquement la robustesse.

Adaptez la taille du modèle à votre déploiement. YOLO-Nano pour les appareils edge, YOLO-Small ou Medium pour les GPU embarqués (Jetson), YOLO-Large ou Extra Large pour les serveurs GPU. Le choix de la variante est un compromis précision/vitesse que vous devez mesurer sur votre matériel cible.

Évaluez sur vos données, pas sur COCO. Les mAP sur COCO ne prédisent pas les performances sur vos images industrielles, médicales ou aériennes. Constituez un jeu de test de 500 à 1000 images représentatives de votre cas d’usage et mesurez la performance réelle.

Explorez le zero-shot pour le prototypage. Grounding DINO et YOLO-World permettent de détecter n’importe quel objet par prompt textuel sans aucune donnée d’entraînement. C’est la façon la plus rapide de valider un cas d’usage avant d’investir dans l’annotation et le fine-tuning.