Les bases de la vision par ordinateur — Apprendre aux machines à voir

Comment les machines voient-elles ? 👀

Vous jetez un coup d'œil à une photo et vous reconnaissez instantanément un chien, une voiture ou le visage de votre meilleur ami. Votre cerveau fait cela sans effort — mais pour un ordinateur, « voir » est une tâche incroyablement complexe.

La vision par ordinateur est le domaine de l'IA qui donne aux machines la capacité d'interpréter et de comprendre l'information visuelle du monde — images, vidéos et flux de caméras en direct.

---

Des pixels aux caractéristiques 🔍

Pour un ordinateur, une image n'est qu'une grille de nombres.

Qu'est-ce qu'un pixel ?

• Une image en niveaux de gris est une grille 2D où chaque cellule contient une valeur de 0 (noir) à 255 (blanc)
• Une image en couleur possède trois couches (canaux) : Rouge, Vert et Bleu — empilées les unes sur les autres
• Une photo typique de smartphone (12 MP) contient 12 millions de pixels — soit 36 millions de nombres pour une image en couleur !

# Loading an image and viewing its pixel values
from PIL import Image
import numpy as np

img = Image.open("dog.jpg")
pixels = np.array(img)

print(f"Image shape: {pixels.shape}")
# Output example: (480, 640, 3) → 480 rows, 640 columns, 3 colour channels

print(f"Total pixel values: {pixels.size:,}")
# Output example: 921,600

# A single pixel in the top-left corner
print(f"Top-left pixel (R, G, B): {pixels[0, 0]}")
# Output example: [142, 178, 225] — a light blue sky pixel

Des pixels aux caractéristiques

Les valeurs brutes des pixels n'ont aucune signification en elles-mêmes. L'IA doit détecter des caractéristiques — des motifs significatifs :

• Caractéristiques de bas niveau : bords, coins, gradients de couleur
• Caractéristiques de niveau intermédiaire : textures, formes, parties (yeux, roues, fenêtres)
• Caractéristiques de haut niveau : objets entiers (visage, voiture, bâtiment)

C'est comme apprendre à lire : d'abord les lettres (bas niveau), puis les mots (niveau intermédiaire), puis les phrases et le sens (haut niveau).

---

Réseaux de neurones convolutifs (CNN) 🧠

Le réseau de neurones convolutif est le pilier de la vision par ordinateur. Construisons une intuition de son fonctionnement — sans mathématiques complexes.

L'idée clé : des filtres glissants

Imaginez que vous placez une petite loupe (disons 3×3 pixels) sur une image et que vous la faites glisser sur chaque position. À chaque position, le filtre recherche un motif spécifique — un bord vertical, une ligne horizontale, une courbe.

Chaque filtre produit une nouvelle image appelée carte de caractéristiques qui met en évidence les endroits où ce motif a été trouvé.

Les couches d'un CNN (intuition visuelle)

| Couche | Ce qu'elle fait | Analogie | |--------|----------------|----------| | Convolution | Fait glisser des filtres sur l'image pour détecter des caractéristiques | Un détective examinant chaque centimètre d'une scène de crime avec une loupe | | Activation (ReLU) | Conserve uniquement les signaux forts, élimine le bruit | Surligner les preuves clés et ignorer les distractions | | Pooling | Réduit les cartes de caractéristiques tout en conservant les informations importantes | Résumer un chapitre en points clés | | Entièrement connectée | Combine toutes les caractéristiques pour prendre une décision finale | Le jury délibère et rend son verdict |

# Building a simple CNN with TensorFlow/Keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    # First convolutional layer: 32 filters, 3x3 each
    Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(pool_size=(2, 2)),

    # Second convolutional layer: 64 filters
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),

    # Flatten and classify
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax'),  # 10 classes
])

model.summary()

---

Les trois tâches de la vision par ordinateur 🎯

1. Classification d'images

Question : « Qu'y a-t-il dans cette image ? »

Le modèle attribue une seule étiquette à l'image entière : « chat », « voiture », « pizza ».

C'est ce que vous avez appris dans AI Sprouts — on donne une image au modèle, il renvoie une étiquette.

2. Détection d'objets

Question : « Quels objets sont présents, et où se trouvent-ils ? »

Le modèle dessine des boîtes englobantes autour de chaque objet et les étiquette. C'est ce que les voitures autonomes utilisent pour localiser les piétons, les panneaux de signalisation et les autres véhicules.

3. Segmentation d'images

Question : « Quels pixels exactement appartiennent à chaque objet ? »

Le modèle colore chaque pixel selon sa classe d'objet. Cela donne des contours au pixel près — indispensable pour l'imagerie médicale (délimitation de tumeurs) et les filtres AR (séparation de votre visage de l'arrière-plan).

# Using a pre-trained object detection model
# This uses YOLO (You Only Look Once) — one of the fastest detectors

# Pseudocode for clarity
def detect_objects(image_path):
    """Detect and label objects in an image."""
    model = load_pretrained_model("yolov8")
    image = load_image(image_path)

    results = model.predict(image)

    for detection in results:
        print(f"Object: {detection.label}")
        print(f"  Confidence: {detection.confidence:.1%}")
        print(f"  Location: {detection.bounding_box}")
        print()

# Example output:
# Object: person
#   Confidence: 97.2%
#   Location: (120, 50, 340, 480)
# Object: bicycle
#   Confidence: 89.5%
#   Location: (200, 300, 450, 520)

---

Applications concrètes 🌍

🚗 Voitures autonomes

• Plusieurs caméras alimentent simultanément les modèles de vision par ordinateur
• L'IA détecte les voies, les panneaux de signalisation, les piétons et les autres véhicules
• Combine la vision par ordinateur avec le LiDAR (détection laser) et le radar pour une perception à 360°
• Entreprises : Waymo, Tesla, Cruise

🧑 Reconnaissance faciale

• Cartographie des caractéristiques faciales uniques (distance entre les yeux, forme de la mâchoire, arête du nez)
• Utilisée pour le déverrouillage du téléphone (Face ID), la sécurité aéroportuaire et l'organisation des photos
• Controverse : préoccupations liées à la surveillance, biais raciaux dans la précision, questions de consentement

📱 Filtres AR (Snapchat / Instagram)

• Détecte les points de repère faciaux en temps réel (plus de 68 points sur votre visage)
• Suit votre visage en mouvement et superpose du contenu numérique
• Utilise des modèles légers optimisés pour fonctionner sur les processeurs mobiles

🏭 Contrôle qualité en fabrication

• Des caméras sur les lignes d'assemblage détectent les produits défectueux
• Repère les rayures, bosses ou désalignements plus rapidement que les inspecteurs humains
• Fonctionne 24h/24 et 7j/7 sans fatigue

---

Pratique : comprendre les prédictions d'un modèle pré-entraîné 🔬

Pas besoin d'entraîner un modèle de zéro pour expérimenter avec la vision par ordinateur. Les modèles pré-entraînés comme ResNet, MobileNet ou EfficientNet ont déjà appris à partir de millions d'images.

# Using a pre-trained model to classify an image
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import (
    preprocess_input, decode_predictions
)
from tensorflow.keras.preprocessing import image
import numpy as np

# Load pre-trained MobileNetV2 (trained on ImageNet — 1000 classes)
model = MobileNetV2(weights='imagenet')

# Load and preprocess an image
img = image.load_img("photo.jpg", target_size=(224, 224))
img_array = preprocess_input(
    np.expand_dims(image.img_to_array(img), axis=0)
)

# Get predictions
predictions = model.predict(img_array)
top_3 = decode_predictions(predictions, top=3)[0]

print("Top 3 Predictions:")
for rank, (id, label, confidence) in enumerate(top_3, 1):
    bar = "█" * int(confidence * 40)
    print(f"  {rank}. {label}: {confidence:.1%} {bar}")

# Example output:
#   1. golden_retriever: 92.3% █████████████████████████████████████
#   2. Labrador_retriever: 4.1% ██
#   3. cocker_spaniel: 1.8% █

Pistes à explorer

1. Essayez différentes images — comment le modèle gère-t-il des angles ou un éclairage inhabituels ?
2. Testez les cas limites — que se passe-t-il avec des images floues, des dessins ou des illusions d'optique ?
3. Vérifiez la confiance — une confiance élevée signifie-t-elle toujours que la prédiction est correcte ?
4. Recherchez les biais — le modèle fonctionne-t-il aussi bien sur des sujets diversifiés ?

---

L'éthique de la vision par ordinateur ⚖️

Un grand pouvoir implique de grandes responsabilités :

• Surveillance : la reconnaissance faciale permet une surveillance de masse sans consentement
• Biais : des études montrent que de nombreux systèmes de vision par ordinateur sont moins précis pour les femmes et les personnes de couleur
• Deepfakes : l'IA peut générer de fausses images et vidéos réalistes de personnes réelles
• Vie privée : les caméras sont partout — vidéosurveillance urbaine, sonnettes connectées, drones — et l'IA facilite l'identification des individus à grande échelle

La technologie en elle-même est neutre — c'est la manière dont nous choisissons de la déployer qui compte.

---

Récapitulatif rapide 🎯

1. Les ordinateurs voient les images comme des grilles de nombres — des pixels avec des valeurs Rouge, Vert et Bleu
2. Les CNN utilisent des filtres glissants pour détecter automatiquement des caractéristiques, des bords aux objets
3. Les trois tâches principales sont la classification (quoi ?), la détection (quoi et où ?) et la segmentation (étiquettes au pixel près)
4. Les applications réelles incluent les voitures autonomes, la reconnaissance faciale, les filtres AR et le contrôle qualité
5. Les modèles pré-entraînés comme MobileNetV2 permettent d'expérimenter sans entraînement préalable
6. L'éthique — biais, surveillance, deepfakes et vie privée — doit guider la façon dont nous déployons la vision par ordinateur

---

Et ensuite ? 🚀

Vous avez maintenant exploré trois branches puissantes de l'IA : les applications en santé, le traitement du langage naturel et la vision par ordinateur. Ce sont les fondations sur lesquelles les ingénieurs en IA s'appuient au quotidien. Dans les prochaines leçons, nous plongerons dans l'IA dans les arts créatifs — comment les machines génèrent de la musique, de l'art et des histoires !