La vision par ordinateur est la discipline de l'IA qui donne aux machines la capacité de « voir » : extraire du sens à partir d'images, de vidéos ou de flux de capteurs. Pour un ordinateur, une photo n'est qu'une grille de nombres (les pixels) ; l'enjeu est de transformer cette matrice brute en concepts utiles — « ceci est un visage », « cette tumeur mesure 8 mm », « ce piéton traverse ».
Du pixel au sens
Une image en couleur est un tenseur de dimensions hauteur × largeur × 3 (canaux rouge, vert, bleu). Chaque pixel vaut entre 0 et 255 :
$$ I \in {0, 1, \dots, 255}^{H \times W \times 3} $$
Historiquement, les ingénieurs concevaient à la main des descripteurs (contours, textures, coins). Depuis 2012, ce sont les réseaux de neurones convolutifs (CNN) puis les Vision Transformers (ViT) qui apprennent eux-mêmes les caractéristiques pertinentes à partir de millions d'exemples annotés.
Les grandes tâches
| Tâche | Question posée | Exemple |
|---|---|---|
| Classification | Qu'y a-t-il ? | chat / chien |
| Détection d'objets | Où, et combien ? | boîtes autour des voitures |
| Segmentation | Quels pixels exactement ? | contour précis d'un organe |
| Estimation de pose | Quelle posture ? | articulations d'un corps |
Applications concrètes
- Santé : repérage de lésions sur radiographies et IRM.
- Mobilité : perception des véhicules autonomes.
- Industrie : contrôle qualité automatisé sur les chaînes de production.
- Agriculture : drones détectant maladies et stress hydrique des cultures.
La vision par ordinateur ne « voit » pas comme nous : elle calcule des corrélations statistiques. Sa puissance — et ses biais — dépendent entièrement des données qui l'ont entraînée.