Détecteur d'Objets AI

À Propos du Détecteur d'Objets AI

Le Détecteur d'Objets AI utilise COCO-SSD, un modèle de détection d'objets pré-entraîné qui peut identifier 80 catégories différentes d'objets incluant les personnes, véhicules, animaux, meubles, appareils électroniques et plus encore. Tout le traitement se fait directement dans votre navigateur avec TensorFlow.js - aucune image n'est envoyée à un serveur.

La détection d'objets se passe-t-elle dans mon navigateur ou mes images sont-elles téléversées ?

Toute la détection s'exécute localement dans votre navigateur. Le modèle COCO-SSD (poids SSD-MobileNet v2, environ 6 Mo) est téléchargé une seule fois depuis un CDN via TensorFlow.js, mis en cache par le navigateur, puis chaque inférence se fait côté client sur le backend WebGL (GPU), avec repli sur WebAssembly ou CPU si WebGL est indisponible. Vos photos ne quittent jamais votre appareil — pas de téléversement, pas de traitement serveur, pas de journalisation. C'est important pour des images de vidéosurveillance, des pièces d'identité, des documents internes ou toute image couverte par le RGPD ou la confidentialité au travail. Le seul trafic réseau après le téléchargement initial est le HTML/CSS/JS statique de la page ; vous pouvez le vérifier dans DevTools > Réseau : vous verrez coco-ssd et tfjs se charger, et aucune requête POST lors de la détection.

Quel modèle et quelle architecture cet outil exécute-t-il réellement ?

Il exécute COCO-SSD tel que publié par l'équipe TensorFlow.js : un détecteur à passe unique (SSD) avec un backbone MobileNet v2, entraîné sur le jeu de données COCO. C'est un détecteur convolutif à passe unique qui prédit les probabilités de classe et les coordonnées de boîte en une seule passe avant, ce qui le rend assez rapide pour la webcam en temps réel sur du matériel modeste. Cet outil n'utilise pas YOLO, ONNX Runtime, DETR ni EfficientDet — si vous inspectez DevTools > Réseau, vous verrez @tensorflow-models/coco-ssd et @tensorflow/tfjs, rien d'autre. Le modèle pèse environ 6 Mo et est mis en cache après le premier chargement, donc les visites suivantes démarrent instantanément.

Quels formats d'image puis-je utiliser, et comment l'image est-elle transmise au modèle ?

L'outil accepte tout format que votre navigateur peut décoder : JPEG, PNG, WebP, AVIF, GIF (première image), BMP et bien d'autres. Vous pouvez téléverser un fichier, charger une image par URL, ou capturer une image en direct depuis votre webcam. En interne, l'image est dessinée sur un canvas et transmise directement à l'appel detect() de COCO-SSD ; SSD-MobileNet v2 la redimensionne à sa propre entrée fixe en interne, vous n'avez donc pas à la redimensionner au préalable. Le HEIC d'iPhone fonctionne généralement dans Safari et Chrome récent ; les anciens navigateurs peuvent nécessiter un export en JPEG d'abord.

Combien de classes d'objets le modèle peut-il reconnaître ?

COCO-SSD reconnaît les 80 catégories COCO : personne, vélo, voiture, moto, avion, bus, train, camion, bateau, feu tricolore, bouche d'incendie, panneau stop, parcmètre, banc, oiseau, chat, chien, cheval, mouton, vache, éléphant, ours, zèbre, girafe, sac à dos, parapluie, sac à main, cravate, valise, frisbee, skis, snowboard, ballon de sport, cerf-volant, batte de baseball, gant de baseball, skateboard, planche de surf, raquette de tennis, bouteille, verre à vin, tasse, fourchette, couteau, cuillère, bol, banane, pomme, sandwich, orange, brocoli, carotte, hot-dog, pizza, beignet, gâteau, chaise, canapé, plante en pot, lit, table à manger, toilettes, TV, ordinateur portable, souris, télécommande, clavier, téléphone, micro-ondes, four, grille-pain, évier, réfrigérateur, livre, horloge, vase, ciseaux, ours en peluche, sèche-cheveux et brosse à dents. Pour des domaines spécialisés (médical, retail, fabrication, espèces de faune), il faudrait un modèle affiné sur un jeu de données de domaine — cet outil ne couvre que ces 80 classes du quotidien.

Pourquoi le détecteur rate-t-il les petits objets ou partiellement cachés ?

La détection de petits objets est la faiblesse bien connue des détecteurs à passe unique comme SSD. SSD-MobileNet v2 travaille sur une carte de features interne relativement petite, donc un visage minuscule dans une photo haute résolution peut tomber sous la résolution que le réseau peut traiter. L'occlusion (objets cachés derrière d'autres) est aussi difficile car les features convolutionnelles se mélangent. Solutions pratiques : recadrer et re-détecter sur la région d'intérêt, baisser le seuil de confiance pour faire apparaître les cas limites (au prix de faux positifs), ou photographier le sujet plus grand dans le cadre. Pour un travail exigeant sur petits objets ou spécialisé, un détecteur plus grand côté serveur serait plus précis, mais ce n'est pas l'objectif de cet outil dans le navigateur.

Que signifie le score de confiance et comment régler le seuil ?

Chaque détection porte un score de confiance de 0 à 1 : la probabilité estimée par le modèle que l'objet existe dans la boîte prédite. Le curseur de seuil de confiance filtre les résultats — augmentez-le (par exemple à 0.6) pour une sortie plus propre et de haute précision, ou baissez-le (à 0.2) pour attraper les cas limites au prix de plus de faux positifs. COCO-SSD applique déjà la suppression non-maximale en interne pour retirer les boîtes en double qui se chevauchent, vous contrôlez donc le résultat uniquement via le seuil de confiance et la limite maximale de détections. La confiance est une estimation, pas une vérité absolue.

Quelles sont les réserves de précision — puis-je m'y fier pour des décisions critiques ?

Traitez chaque résultat comme une estimation, pas un fait vérifié. COCO-SSD est un détecteur généraliste limité à 80 classes du quotidien ; ce n'est pas un système de vérification d'identité, médical, juridique ou de sécurité, et il ne reconnaît pas de personnes précises, de marques, de texte ni d'espèces détaillées. Il peut rater de petits objets ou cachés, mal étiqueter des classes visuellement proches et produire des faux positifs à seuil bas. Utilisez-le pour le tri, l'étiquetage, la préparation de jeux de données, le contrôle qualité et le prototypage d'intégration — et faites toujours vérifier par un humain avant toute décision qui compte.

Quel est le schéma d'export des boîtes englobantes (JSON/CSV) ?

Télécharger JSON, Copier JSON et Télécharger CSV exportent les mêmes données, reflétant les détections actuellement visibles (filtrées par classe). Les coordonnées sont dans l'espace de pixels de l'image originale avec une origine en haut à gauche : x et y sont le coin supérieur gauche de la boîte, largeur et hauteur sa taille en pixels. Le JSON donne un tableau de détections, chacune avec class (chaîne), confidence (0-1, arrondie à 3 décimales) et boundingBox { x, y, width, height }, plus une note coordinateSystem et un horodatage ISO. Le CSV utilise les colonnes index, class, confidence, x, y, width, height. Le Tableau des Détections à l'écran affiche les mêmes champs (la confiance en pourcentage) pour scanner, trier ou coller les résultats directement dans du code ou un tableur sans téléchargement.