Reconnaissance d’images par l’IA : comment ça marche, applications et limites

Article mis à jour le 09/11/2026

Reconnaître le contenu d’une image est longtemps resté un point faible des machines : un programme savait lire un code-barres, pas distinguer un chien d’un chat sur une photo quelconque. Depuis une dizaine d’années, l’apprentissage profond a renversé la situation. Cet article explique comment fonctionne la reconnaissance d’images par l’IA, quelles étapes l’ont fait progresser, ce qu’elle apporte dans l’industrie et la médecine, et où se situent ses limites.

Comment une IA « reconnaît » une image

Pour un ordinateur, une image est une grille de nombres : la valeur de chaque pixel dans les canaux rouge, vert et bleu. Aucune règle écrite à la main ne permet de passer de ces nombres à « un vélo ». Les méthodes actuelles procèdent donc par apprentissage supervisé : on présente au modèle un très grand nombre d’images accompagnées de leur étiquette, et on ajuste ses paramètres internes pour qu’il prédise l’étiquette correcte.

Le modèle le plus répandu pendant longtemps a été le réseau de neurones convolutif (CNN). Ses premières couches détectent des motifs simples (contours, textures) ; les suivantes les combinent en formes, puis en parties d’objets. Des travaux de visualisation, comme celui de Zeiler et Fergus sur les couches intermédiaires d’un réseau entraîné sur ImageNet, ont montré cette hiérarchie de caractéristiques (arXiv:1311.2901).

Il faut distinguer trois tâches, souvent confondues :

• la classification : dire ce que contient l’image (« chat ») ;
• la détection : localiser chaque objet par un cadre et lui attribuer une classe ;
• la segmentation : attribuer une classe à chaque pixel, indispensable en imagerie médicale ou pour un véhicule qui doit séparer route et trottoir.

Les étapes qui ont fait progresser le domaine

ImageNet, le banc d’essai commun

Les progrès ont été mesurés sur un référentiel public : le défi ILSVRC (ImageNet Large Scale Visual Recognition Challenge), organisé chaque année depuis 2010. Ses données d’entraînement comportent environ 1,2 million d’images réparties en 1 000 classes d’objets, comme le décrivent ses auteurs (Russakovsky et al., arXiv:1409.0575). Disposer d’un jeu aussi vaste et d’une mesure commune a permis de comparer honnêtement les approches.

Des réseaux de plus en plus profonds

Dès 2014, l’équipe d’Oxford a montré qu’augmenter la profondeur du réseau (16 à 19 couches de poids, avec de petits filtres 3×3) améliorait nettement la précision (Simonyan et Zisserman, arXiv:1409.1556). Mais plus un réseau est profond, plus il est difficile à entraîner. Les réseaux résiduels (ResNet) ont levé ce verrou en faisant apprendre à chaque bloc un écart par rapport à son entrée : des réseaux de 152 couches ont ainsi été entraînés, et un ensemble de ces modèles a obtenu 3,57 % d’erreur (top-5) sur le jeu de test d’ImageNet, première place du concours 2015 (He et al., arXiv:1512.03385).

Comparaison avec l’humain : à manier avec prudence

Les organisateurs d’ImageNet ont eux-mêmes mesuré la performance humaine : un annotateur expert a obtenu environ 5,1 % d’erreur (top-5) sur un échantillon, contre 6,8 % pour GoogLeNet sur le même échantillon. La publication précise toutefois que cette comparaison porte sur une tâche étroite (choisir parmi 1 000 classes, dont de nombreuses races de chiens) et sur un petit échantillon. « La machine bat l’humain » ne vaut donc que pour ce test précis, pas pour la perception en général.

De la grille de pixels aux « mots d’image » : les transformeurs de vision

Autre rupture : le Vision Transformer (ViT). Il découpe l’image en petits carrés (16×16 pixels), les traite comme une suite de « mots » et leur applique l’architecture des transformeurs, issue du traitement du langage. Ses auteurs montrent qu’un transformeur pur, pré-entraîné sur de très grandes quantités de données, atteint d’excellents résultats sur les référentiels d’images tout en demandant moins de calcul pour l’entraînement que les meilleurs réseaux convolutifs de l’époque (Dosovitskiy et al., arXiv:2010.11929). La condition du pré-entraînement massif est essentielle : sur de petits jeux de données, les CNN gardent des atouts.

La détection en temps réel

Pour la détection, la famille YOLO traite l’image entière en un seul passage du réseau. Dans l’article d’origine, le modèle de base fonctionne en temps réel à 45 images par seconde et une version allégée atteint 155 images par seconde (Redmon et al., arXiv:1506.02640). Ces vitesses datent de 2015 et du matériel de l’époque ; elles montrent surtout que la détection embarquée est devenue possible.

Applications concrètes

Industrie et robotique

Dans l’atelier, la vision par IA sert au contrôle qualité (repérer une rayure, une soudure incomplète), au tri et à la préhension d’objets en vrac : un robot équipé d’une caméra localise une pièce, estime sa position et guide sa pince. La difficulté pratique tient moins au modèle qu’à l’éclairage, aux reflets et à la constitution d’exemples de défauts, par définition rares. Pour le choix des outils d’un atelier, notre article sur le logiciel robotique à choisir pour son atelier détaille la chaîne de programmation et de simulation.

Santé

L’exemple fondateur est celui du dépistage de lésions cutanées : un CNN entraîné sur 129 450 images cliniques (2 032 maladies différentes) a obtenu, sur deux tâches de classification de lésions confirmées par biopsie, des performances comparables à celles de 21 dermatologues certifiés (Esteva et al., Nature, 2017). Il s’agissait d’une évaluation en laboratoire, sur des images sélectionnées : cela ne prouve pas à lui seul l’intérêt en pratique clinique, où la décision reste médicale.

Au quotidien

Déverrouillage de téléphone, tri automatique de photos, lecture de plaques, assistance à la conduite : la reconnaissance d’images est devenue une brique invisible de nombreux produits. Elle alimente aussi la robotique de service ; notre article sur les cobots en petit atelier montre où la perception par caméra trouve sa place.

Les limites à connaître

• Dépendance aux données. Un modèle n’est fiable que sur des images proches de celles de son entraînement. Changez la caméra, l’éclairage ou la population concernée, et la précision peut chuter.
• Biais. L’étude « Gender Shades » a relevé que deux jeux de référence de reconnaissance faciale sont composés à 79,6 % (IJB-A) et 86,2 % (Adience) de sujets à peau claire, et que trois systèmes commerciaux de classification du genre se trompaient jusqu’à 34,7 % du temps sur les femmes à peau foncée, contre au plus 0,8 % pour les hommes à peau claire (Buolamwini et Gebru, PMLR 81, 2018). Ces résultats datent de 2018 et de systèmes précis ; l’enseignement durable est la nécessité de tester par sous-groupes.
• Explicabilité. Un réseau fournit une réponse, pas un raisonnement. Les techniques de visualisation aident, mais ne remplacent pas une validation rigoureuse.
• Vie privée. La reconnaissance faciale et la vidéosurveillance « intelligente » posent des questions juridiques sérieuses, encadrées en Europe par le RGPD et par le règlement européen sur l’IA.
• Génération d’images. Les modèles qui créent des images, évoqués dans l’ancien texte de cet article, reposent sur des principes voisins mais posent un autre problème : distinguer une image réelle d’une image synthétique devient lui-même un défi.

Récapitulatif

1. Une image est un tableau de nombres ; l’IA apprend à y repérer des motifs à partir d’exemples étiquetés.
2. Il faut distinguer classification, détection et segmentation.
3. ImageNet (environ 1,2 million d’images, 1 000 classes) a servi de banc d’essai commun.
4. La profondeur des réseaux (VGG, ResNet) puis les transformeurs de vision (ViT) ont fait baisser les erreurs.
5. La comparaison « machine contre humain » vaut pour un test précis, pas en général.
6. Les applications vont du contrôle qualité industriel au dépistage médical, avec l’humain dans la décision.
7. Les limites majeures : dépendance aux données, biais, manque d’explicabilité et protection de la vie privée.