Computer Vision (Vision par ordinateur)
#Définition Computer Vision (Vision par ordinateur)
Discipline de l'intelligence artificielle qui permet aux ordinateurs d'extraire, d'analyser et de comprendre des informations à partir d'images et de vidéos. La computer vision moderne repose sur le deep learning, avec des architectures dominantes (CNN type ResNet et EfficientNet, Vision Transformers ViT et DINOv2, détecteurs YOLO et RetinaNet) entraînées sur des datasets de référence (ImageNet, COCO, OpenImages) puis fine-tunées sur la donnée métier.
Pour approfondir, consultez la page service Agents IA Nehos (computer vision, RAG, automatisation).
Sur le terrain, La mise en production s'appuie sur les frameworks PyTorch, TensorFlow et le runtime ONNX. Les applications industrielles 2026 couvrent la détection des défauts qualité en ligne de production, le retail in-store (caisse autonome, comptage trafic, heatmap clients), la surveillance de sécurité (port des EPI, comportements anormaux) et la maintenance prédictive (analyse thermique, vibrations vidéo).
L'inférence est très majoritairement déployée en edge computing — Jetson Nvidia, Coral TPU, NPU embarqué — pour garantir une latence faible et l'indépendance réseau. Le règlement UE 2024/1689 (AI Act) classe fréquemment ces systèmes en haut risque (biométrie, surveillance travailleurs, sécurité produits).
Le concept de Computer Vision (Vision par ordinateur) prend tout son sens dans un contexte B2B où chaque décision technique impacte directement le ROI.
#Computer Vision (Vision par ordinateur) expliqué simplement
La computer vision, c'est la capacité d'un ordinateur à voir et comprendre des images comme le ferait un humain — mais à l'échelle de millions d'images par jour. Tu lui montres une photo de pièce mécanique sortant de la ligne de production : il détecte les défauts. Tu lui montres une vidéo de magasin : il compte les clients, mesure le temps en rayon, repère les ruptures.
Tu lui montres un ouvrier sur un chantier : il vérifie qu'il porte son casque, son harnais, ses gants. C'est l'IA qui regarde au lieu de lire. Très utile dans l'industrie, le retail et la sécurité, à condition de cadrer dès le départ la conformité, la qualité de la donnée et la supervision humaine.
Visualisez le quotidien d'un directeur technique ou d'un CMO en scale-up. La différence entre théorie et terrain ? Les chiffres. Et les chiffres, on les a.
#Cas d'usage concrets
Exemple de situation : ETI industrielle — contrôle qualité sur ligne de production — Exemple de situation : une usine déploie la computer vision sur plusieurs lignes d'usinage, avec des caméras industrielles, un module Jetson en edge et un modèle YOLOv8 affiné sur des images de défauts annotées.
Le système détecte les défauts de surface, les dimensions hors tolérance et les montages incorrects. On mesure pendant le pilote le taux de défauts détectés et les retours clients avant d'étendre à d'autres lignes.
Exemple de situation : retailer omnicanal — heatmap de comportement client et caisse autonome — Exemple de situation : un retailer équipe ses magasins de caméras plafond et d'un module edge Coral TPU. Le système produit une heatmap de fréquentation par rayon, mesure le temps d'attente et détecte les ruptures en linéaire. Un pilote de caisse autonome, sans scan en sortie, s'appuie sur la re-identification multi-caméras pour agréger le panier, sur quelques sites seulement.
Exemple de situation : site industriel à risque (SEVESO) — détection des EPI et des comportements à risque — Exemple de situation : un site industriel utilise ses caméras existantes pour vérifier le port des EPI (casque, harnais, gants, gilet) et détecter des comportements à risque (chute, intrusion en zone ATEX, présence non autorisée).
Le système est traité comme à haut risque au sens de l'AI Act : DPIA, supervision humaine et journalisation complète. On suit le nombre d'incidents enregistrés avant et après la mise en service.
#Computer Vision (Vision par ordinateur) chez Nehos Groupe
Nehos Groupe applique ce concept au quotidien. Notre service Agents IA Nehos (computer vision, RAG, automatisation) couvre ce périmètre de A à Z.
La méthode Nehos est documentée sur méthode AI Act Compliance Nehos™ (cartographie haut risque, DPIA, supervision humaine). Chaque mission démarre par un cadrage structuré : objectifs chiffrés, périmètre technique, jalons à 30/60/90 jours. On livre, on mesure, on itère.
Pas de slides sans livrable. Voir aussi : service IA générative et LLM souverain France (combinable computer vision).
#Termes associés
Ce terme s'inscrit dans un écosystème plus large.
- Deep Learning
- CNN (Convolutional Neural Network)
- YOLO (You Only Look Once)
- AI Act
- RAG (Retrieval-Augmented Generation)
- Mistral Large 2
- MES (Manufacturing Execution System)
Chaque terme est défini dans notre glossaire avec la même approche : définition technique, vulgarisation, cas concrets et méthode Nehos.
Applications Concrètes
« Exemple de situation : une usine déploie la computer vision sur plusieurs lignes d'usinage, avec des caméras industrielles, un module Jetson en edge et un modèle YOLOv8 affiné sur des images de défauts annotées. Le système détecte les défauts de surface, les dimensions hors tolérance et les montages incorrects. On mesure pendant le pilote le taux de défauts détectés et les retours clients avant d'étendre à d'autres lignes. »
« Exemple de situation : un retailer équipe ses magasins de caméras plafond et d'un module edge Coral TPU. Le système produit une heatmap de fréquentation par rayon, mesure le temps d'attente et détecte les ruptures en linéaire. Un pilote de caisse autonome, sans scan en sortie, s'appuie sur la re-identification multi-caméras pour agréger le panier, sur quelques sites seulement. »
« Exemple de situation : un site industriel utilise ses caméras existantes pour vérifier le port des EPI (casque, harnais, gants, gilet) et détecter des comportements à risque (chute, intrusion en zone ATEX, présence non autorisée). Le système est traité comme à haut risque au sens de l'AI Act : DPIA, supervision humaine et journalisation complète. On suit le nombre d'incidents enregistrés avant et après la mise en service. »
Questions & réponses
Questions fréquentes sur la computer vision
Non — la reconnaissance d'image est un sous-ensemble de la computer vision. La reconnaissance d'image se limite à la classification (cette image contient-elle un chat, une voiture, un défaut ?). La computer vision englobe en plus la détection d'objets (où exactement dans l'image, avec une bounding box), la segmentation sémantique et d'instance (quels pixels appartiennent à quel objet), le suivi (tracking) multi-objets sur vidéo, l'estimation de pose, la reconnaissance d'activité et la re-identification. Dans un projet industriel sérieux, on combine presque toujours plusieurs tâches : détection YOLO pour repérer les pièces, segmentation pour mesurer les défauts surface, tracking pour suivre les flux.
Très souvent oui. Le Règlement UE 2024/1689 (AI Act) classe en haut risque (Annexe III) les systèmes IA utilisés pour la biométrie à distance, la surveillance des travailleurs, la sécurité des produits, la gestion d'infrastructures critiques et certains usages en application de la loi. Concrètement, un projet computer vision de détection EPI sur chantier, de reconnaissance faciale d'accès, de comptage clients identifiables ou de contrôle qualité sur produit régulé tombe presque toujours en haut risque. Obligations associées : système de gestion des risques, documentation technique, journalisation, supervision humaine, robustesse, transparence vers l'utilisateur. Les obligations haut risque entrent en application progressivement jusqu'en août 2027 — cartographier le projet dès le cadrage est non négociable.
Les deux approches coexistent et répondent à des besoins différents. Une stack open source (PyTorch + YOLO + Ultralytics + ONNX + Jetson + Triton inference server) donne maîtrise totale, portabilité, coût marginal d'extension faible, mais demande une équipe IA interne capable d'entraîner, déployer et maintenir les modèles. Une solution propriétaire packagée (Standard Cognition pour caisse autonome retail, AnyVision et consorts pour sécurité, Cognex VisionPro pour industrie) accélère le time-to-value, intègre du support et des SLAs, mais enferme l'opérateur chez le fournisseur et coûte généralement plus cher en coût total sur plusieurs années. La règle pragmatique 2026 : propriétaire pour piloter et apprendre, open source pour passer à l'échelle dès que le besoin est stabilisé.
Edge par défaut, cloud en exception. L'edge (Jetson Orin, Coral TPU, NPU embarqué dans la caméra IP) s'impose dès que la latence doit rester sous 100 ms (ligne de production, sécurité), que la bande passante est limitée (sites industriels isolés, retail multi-magasins), que la donnée est sensible (vidéo de salariés, biométrie — éviter le transit cloud) ou que le déploiement doit fonctionner sans réseau. Le cloud reste pertinent pour l'entraînement initial et le réentraînement (GPU H100 à la demande), l'agrégation analytique multi-sites, le stockage des datasets et le monitoring qualité du modèle. Une architecture moderne fait toujours les deux : edge pour l'inférence temps réel, cloud pour le cycle de vie modèle.
Le budget d'un pilote computer vision industriel ou retail dépend du périmètre : nombre de sites et de caméras, nombre de modèles spécialisés, intégration MES ou caisse, supervision humaine. La phase de build couvre le cadrage métier, l'annotation du dataset, l'entraînement, l'intégration, le déploiement edge et les tests. Le run couvre l'infra edge, l'entraînement périodique dans le cloud et la supervision du modèle. Les facteurs qui font monter le coût : le volume d'annotation manuelle (souvent le poste le plus lourd du build), les exigences AI Act haut risque (DPIA, journalisation, audit) et l'intégration profonde au SI existant (MES, ERP, GED, vidéoprotection legacy). Un pilote réussi se généralise ensuite à coût marginal réduit. Chiffrage sur devis en 48 h après un premier échange.