Ingénierie de la vision par ordinateur & perception

Un déploiement industriel type de vision par ordinateur coûte entre 50 000 $ et 500 000 $ selon le périmètre, la complexité du modèle, les exigences matérielles edge et les obligations réglementaires. Dans l'inspection qualité manufacturière, les études de cas documentées montrent des périodes de retour sur investissement de 6 à 18 mois. Un fabricant d'électronique a réduit son taux d'échappement de défauts de 2,3 % à 0,1 %, économisant 1,8 million de dollars par an en réclamations de garantie. Un constructeur automobile déployant la maintenance prédictive sur plus de 200 machines CNC a économisé 3,2 millions de dollars par an. Les facteurs de rentabilité ne se limitent pas au remplacement de main-d'œuvre (un système de vision remplace 3 à 8 contrôleurs manuels par équipe) mais résident dans l'amélioration de la qualité : une inspection à 100 % comparée à un échantillonnage statistique intercepte les défauts que les contrôles aléatoires ignorent, et les économies en aval liées à la diminution des réclamations au titre de la garantie, des rappels et des retours clients dépassent généralement les économies directes de main-d'œuvre d'un facteur 3 à 5.

Les deux, de manière séquentielle. Les modèles fondateurs (SAM 2, Grounding DINO, Florence-2) transforment l'étiquetage : ils réduisent les coûts d'annotation de 40 à 60 % pour tous les types de tâches, les gains les plus importants concernant la segmentation au niveau pixel où l'étiquetage manuel est le plus onéreux. Mais l'inférence des modèles fondateurs est 5 à 10 fois plus lente que celle d'un détecteur dédié. Il est impossible d'exécuter SAM 2 à la vitesse d'une ligne sur du matériel edge. Le modèle de production éprouvé consiste à utiliser des modèles fondateurs pour générer des étiquettes d'entraînement à faible coût, puis à distiller les connaissances vers un modèle compact dédié (YOLO, EfficientDet, RT-DETR) optimisé pour l'appareil cible. Le modèle fondateur accélère votre chaîne d'annotation. Le modèle distillé tourne en production. Omettre l'étape de distillation est l'erreur la plus répandue lors de l'adoption des modèles fondateurs en vision par ordinateur.

Cognex et Keyence contrôlent environ 50 % du marché de la vision industrielle et couvrent un large éventail de tâches d'inspection standard. Cognex excelle dans l'inspection de haute précision dans les semi-conducteurs et l'automobile. Keyence fournit des ensembles intégrés que les ingénieurs de production peuvent configurer sans coder. La plateforme OneVision 2025 de Cognex permet à des non-spécialistes de charger des images de défauts et d'obtenir un modèle auto-entraîné déployé sur les caméras de l'usine. Si votre tâche d'inspection relève de catégories standard (défauts de surface, contrôles dimensionnels, présence/absence) avec un éclairage stable et une géométrie produit fixe, acheter est plus rapide et plus économique. La vision sur mesure est le bon choix lorsque la typologie des défauts évolue fréquemment, lorsqu'il faut fusionner la vision avec des données de processus non visuelles (vibrations, données thermiques, chimiques), lorsque les réglementations exigent une traçabilité complète du modèle, ou lorsque la variabilité environnementale dépasse ce que des recettes fixes peuvent gérer.

Plus de 70 % des organisations constatent une dégradation significative des performances dans les six mois suivant le déploiement d'un modèle de vision. La dérive provient de trois sources : la dérive des données (changements d'éclairage, vieillissement de la caméra, variations des matériaux), la dérive de concept (nouveaux types de défauts ou variantes de produits) et la dérive d'étiquetage (évolution des normes de qualité). Nous intégrons la surveillance dans le déploiement dès le premier jour. La détection statistique de dérive à l'aide du Population Stability Index (un PSI > 0,2 déclenche des alertes) et de tests KS s'exécute en continu sur les sorties d'inférence. Lorsque la dérive dépasse les seuils, le système signale les plages de production concernées et peut déclencher des flux de réentraînement automatisés ou mettre en attente une revue humaine. La pile de surveillance s'appuie sur Evidently AI pour les métriques, avec des tableaux de bord traçant les décalages de distribution des prédictions et les taux d'apparition de cas limites. Nous construisons également le pipeline de réentraînement afin que la boucle de correction prenne quelques heures, et non des semaines.

Les pipelines de vision traditionnels (YOLO, EfficientDet, Mask R-CNN) produisent des sorties structurées : boîtes englobantes, masques de segmentation, étiquettes de classe avec scores de confiance. Ils s'exécutent en quelques millisecondes seulement, sont déterministes et se déploient sur du matériel edge. Les modèles vision-langage (GPT-4o, Gemini, Claude, Qwen2.5-VL) reçoivent une image et une consigne textuelle et produisent des réponses en langage naturel. Ils excellent dans les questions-réponses visuelles, la compréhension de documents et la description d'anomalies, mais nécessitent plusieurs centaines de millisecondes par inférence avec des sorties non déterministes. Les VLM open-source offrent aujourd'hui des performances à 5-10 % des modèles propriétaires pour un coût 64 % inférieur lorsqu'ils sont auto-hébergés. L'architecture pratique est hybride : un détecteur traditionnel repère les objets ou anomalies à la vitesse de la ligne, puis un VLM analyse le contexte pour les cas nécessitant une explication. Nous concevons ces deux composants ainsi que leur couche d'intégration.

Si votre logiciel interprète des images médicales et que ses résultats éclairent des décisions cliniques, il est presque certain qu'il soit qualifié de logiciel comme dispositif médical (SaMD) et nécessite une autorisation de la FDA. La FDA a autorisé 295 dispositifs basés sur l'IA/ML rien qu'en 2025, portant le total cumulé à 1 451, dont 76 % en radiologie. 97 % ont suivi la voie 510(k). Le projet de directive de janvier 2025 introduit le Plan de contrôle préalable des modifications (PCCP), qui permet des mises à jour du modèle après commercialisation sans nouvelles soumissions si les changements restent dans les paramètres préapprouvés. Cela revêt une importance capitale pour tout système d'IA apprenant ou évolutif. Pour les équipes concevant de la vision médicale, la voie réglementaire doit orienter les choix d'architecture dès le départ : quantification documentée de l'incertitude, suivi des performances par sous-groupes démographiques et pipelines d'entraînement versionnés sont indispensables. Les ajouter a posteriori pour une soumission coûte bien plus cher que de les intégrer dès l'origine.

Les pratiques interdites par l'EU AI Act sont entrées en vigueur le 2 février 2025. Le moissonnage non ciblé d'images faciales depuis Internet ou la vidéosurveillance constitue une interdiction absolue, passible de sanctions allant jusqu'à 35 millions d'euros ou 7 % du chiffre d'affaires mondial. La reconnaissance des émotions sur le lieu de travail et dans les établissements d'enseignement est également interdite, sauf à des fins médicales ou de sécurité. Les règles applicables aux systèmes de vision par ordinateur à haut risque deviendront obligatoires le 2 août 2026, couvrant les systèmes d'identification biométrique, la vision dans les infrastructures critiques, l'analyse visuelle liée à l'emploi et la vision utilisée pour le maintien de l'ordre ou la gestion des migrations. La classification à haut risque exige des évaluations de la conformité, le marquage CE, une documentation de gestion des risques, des registres de gouvernance des données, des mécanismes de supervision humaine et un enregistrement dans la base de données de l'UE. La vision pour le contrôle qualité dans l'industrie manufacturière échappe généralement à la catégorie à haut risque, sauf si elle est employée pour la surveillance des travailleurs. Nous classons les systèmes selon la taxonomie des risques de l'AI Act et mettons en place la documentation et les caractéristiques architecturales imposées par la conformité.

De manière spectaculaire. L'annotation manuelle d'une boîte englobante coûte de 0,02 $ à 0,09 $ par objet. La segmentation sémantique manuelle coûte de 5 $ à 15 $ par étiquette. L'annotation de nuages de points 3D atteint de 6 $ à plus de 20 $ par étiquette. Grâce à l'auto-étiquetage par modèles fondateurs (SAM 2, Grounding DINO, YOLO-World), vous générez des étiquettes initiales à partir d'invites textuelles, puis des annotateurs humains corrigent les erreurs. La révision est bien plus rapide que l'étiquetage depuis zéro. Les déploiements matures font état d'une baisse des coûts de 40 à 60 % par rapport aux flux entièrement manuels. L'auto-étiquetage atteint 70 à 85 % de précision, ce qui est suffisant pour la majorité des tâches de détection et de segmentation après révision humaine. L'étape de correction n'est pas négociable : 20 à 30 % des étiquettes comportent des anomalies de qualité, même avec des annotateurs humains, et l'auto-étiquetage déplace la problématique de la création vers la vérification. L'apprentissage actif concentre ensuite l'effort humain sur les cas limites où l'incertitude du modèle est la plus forte, maximisant ainsi l'impact de chaque dollar investi dans l'annotation.