Leçon 6 — Récapitulatif et FAQ
Les cinq leçons en une page
Leçon 1 — l'image. Un modèle reçoit un tenseur d'environ 150 000 nombres, pas une scène. Le même objet produit des grilles numériquement très éloignées selon l'éclairage, l'angle, l'échelle, le fond et le capteur : c'est la variance intra-classe, et c'est le cœur de la difficulté.
Leçon 2 — la convolution. Un petit filtre partagé glissé sur toute l'image réduit les paramètres d'un facteur cent mille et donne l'invariance par translation par construction. Les filtres sont appris, une hiérarchie de représentations émerge seule, et c'est ce qui fonde le transfer learning en vision.
Leçon 3 — les tâches. Classification, détection, segmentation, suivi. Le coût d'annotation augmente d'un facteur cent entre la première et la troisième. La bonne question est « quelle est la tâche la moins chère qui résout mon problème ».
Leçon 4 — les architectures. ResNet comme base solide, MobileNet pour l'embarqué, YOLO pour la détection, U-Net pour la segmentation avec peu d'annotations, SAM pour accélérer l'annotation, CLIP pour tester sans entraîner. Et surtout : les données comptent plus que l'architecture.
Leçon 5 — les limites. Conditions de prise de vue, raccourcis appris, biais des jeux d'images, attaques adverses, dérive silencieuse, et un cadre réglementaire strict dès qu'il s'agit de personnes.
Glossaire
| Terme | Ce que cela veut dire |
|---|---|
| Pixel | un point de l'image, avec une valeur d'intensité par canal |
| Canal | une des composantes de couleur, rouge vert bleu |
| Tenseur | le tableau multidimensionnel donné au modèle |
| Filtre / noyau | la petite matrice de poids glissée sur l'image |
| Convolution | l'opération de glissement du filtre |
| Carte d'activation | la grille indiquant où le motif du filtre est présent |
| Poids partagés | le fait qu'un même filtre serve à toutes les positions |
| Sous-échantillonnage | la réduction de résolution entre deux blocs, souvent par maximum |
| Champ récepteur | la zone de l'image influençant une valeur donnée |
| Dorsal (backbone) | la partie qui transforme les pixels en représentation |
| Tête (head) | la partie qui produit la réponse attendue |
| Rectangle englobant | le cadre délimitant un objet détecté |
| IoU | le recouvrement entre prédiction et vérité, entre 0 et 1 |
| mAP | la métrique agrégée standard d'un détecteur |
| Segmentation sémantique | une classe par pixel, sans distinguer les instances |
| Segmentation d'instances | un masque distinct par objet |
| Augmentation de données | la création de variantes artificielles à l'entraînement |
| Grad-CAM | une visualisation des zones qui ont pesé sur la décision |
| Attaque adverse | une perturbation imperceptible qui trompe le modèle |
| Classification sans exemple | prédire sans avoir entraîné sur la classe, via CLIP |
Les 12 questions que les gens posent vraiment
1. Combien d'images faut-il vraiment ?
Avec du transfer learning : quelques centaines par classe pour une classification, mille à deux mille par classe pour une détection robuste, quelques centaines pour une segmentation avec U-Net. Ce qui compte davantage que le nombre, c'est la couverture de la variabilité : trois cents images prises dans dix conditions différentes valent mieux que trois mille prises le même matin.
2. Faut-il annoter soi-même ou sous-traiter ?
Annotez vous-même les cent premières images, quel que soit le volume final. C'est irremplaçable : vous découvrirez les cas ambigus, vous écrirez des consignes précises, et vous saurez si la tâche est même bien définie. Ensuite, sous-traitez avec ces consignes et un contrôle de cohérence. Sous-traiter sans avoir annoté soi-même produit un jeu de données inutilisable.
3. Un modèle de reconnaissance de texte, est-ce de la vision ?
Oui, et c'est un domaine à part avec ses outils propres. Pour du texte imprimé sur fond propre, les moteurs de reconnaissance optique classiques sont excellents et gratuits. Pour de l'écriture manuscrite, des documents dégradés ou de la lecture structurée de formulaires, les modèles récents combinant vision et langage sont nettement supérieurs. Ne réinventez rien : c'est un problème très largement résolu.
4. Peut-on faire du contrôle qualité sans exemples de défauts ?
Oui, par détection d'anomalies. On entraîne le modèle uniquement sur des pièces conformes, et il signale tout ce qui s'écarte de ce qu'il a appris. C'est souvent la seule option réaliste, puisque les défauts sont rares par définition et que certains n'ont jamais été observés. Le compromis : on détecte qu'il y a un problème sans le nommer.
5. Combien coûte un projet de vision ?
Une répartition typique : collecte et annotation des images 40 à 50 %, matériel de prise de vue et éclairage 15 %, modélisation 15 %, intégration et suivi 25 %. Le modèle est rarement le poste principal, et c'est presque toujours là que les budgets se concentrent à tort.
6. Faut-il un GPU en production ?
Pas nécessairement. Un modèle de classification compact traite une image en quelques dizaines de millisecondes sur un processeur central ordinaire. Le GPU devient utile pour la vidéo temps réel, la segmentation haute résolution, ou un débit de plusieurs dizaines d'images par seconde. Mesurez votre besoin réel avant d'acheter.
7. Vidéo ou images fixes ?
Une vidéo n'est qu'une suite d'images, et l'analyser image par image fonctionne pour la plupart des besoins. La vidéo apporte quelque chose de spécifique quand le mouvement lui-même est l'information : reconnaître un geste, détecter une chute, mesurer une vitesse. Dans ce cas seulement, il faut des architectures qui modélisent le temps.
8. Comment gérer les objets très petits dans l'image ?
Trois leviers, dans cet ordre. Ne réduisez pas l'image : découpez-la en imagettes traitées séparément. Rapprochez la caméra ou augmentez la résolution du capteur — c'est souvent la solution la moins chère. Et choisissez une architecture adaptée : les détecteurs en deux étapes gèrent mieux les petits objets que les détecteurs en une passe.
9. Que faire quand les classes sont très déséquilibrées ?
En contrôle qualité, les défauts représentent souvent moins de 1 % des images. Trois réponses combinables : pondérer les classes dans la fonction de coût, suréchantillonner la classe rare avec de l'augmentation, ou basculer vers de la détection d'anomalies. Et surtout, n'utilisez jamais l'exactitude globale comme métrique : elle vaudra 99 % pour un modèle qui ne détecte rien.
10. Comment savoir si mon modèle regarde la bonne chose ?
Avec une visualisation de type Grad-CAM, qui colore les zones ayant pesé sur la décision. Faites cette vérification sur une vingtaine d'images correctement classées et une vingtaine mal classées, avant toute mise en production. C'est une heure de travail qui révèle régulièrement que le modèle s'appuie sur un artefact.
11. La reconnaissance faciale, on peut ou pas ?
Cela dépend strictement de l'usage. La vérification consentie sur son propre appareil est largement admise. L'identification à distance dans l'espace public est interdite en Europe hors exceptions très encadrées. La reconnaissance d'émotions est interdite au travail et à l'école. Tout usage biométrique sérieux se conçoit avec un juriste dès le cadrage, et exige une analyse d'impact.
12. Où aller après ce cours ?
IA générative pour produire des images au lieu de les analyser, MLOps pour déployer et surveiller, Éthique de l'IA pour les biais et la conformité, et IA dans le cloud pour l'infrastructure d'entraînement.
Les cours premium couvrent les réseaux convolutifs, la détection avec YOLO, la segmentation et le déploiement embarqué, avec jeux de données réels et projets corrigés, et un certificat vérifiable après un examen de 40 questions. Inclus dans toutes les formules payantes.
Dernière étape — Passez le quiz et découvrez votre attestation →