Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
La reconnaissance d’image est une tâche de la vision par ordinateur qui consiste à identifier automatiquement ce que montre une image (objets, présence de personnes, logos, textes ou scènes) en lui attribuant une ou plusieurs catégories apprises.
Elle repose sur des modèles d’apprentissage entraînés à associer des motifs visuels à des catégories prédéfinies. L’entraînement relève le plus souvent de l’apprentissage supervisé : le modèle reçoit un grand nombre d’images étiquetées, puis apprend les régularités propres à chaque catégorie. Ces modèles sont aujourd’hui en général des réseaux de neurones profonds. Face à une image nouvelle, le modèle ne livre pas une certitude, mais une liste de catégories accompagnées d’un score de confiance.
Un dispositif de reconnaissance d’image réunit quatre composantes : une liste de catégories, ou taxonomie ; un jeu de données annoté, ou dataset, pour l’entraînement et le test ; un modèle ; un seuil de confiance au-dessus duquel une étiquette est acceptée. La tâche se décline selon le niveau de précision attendu. La classification attribue une catégorie à l’image entière. La détection localise chaque objet. La reconnaissance de caractères transcrit le texte présent.
La reconnaissance d’image se distingue de la vision par ordinateur, domaine plus large qui inclut aussi la segmentation ou le suivi d’objets en vidéo. Elle se distingue aussi de la reconnaissance faciale, qui en est une application particulière : celle-ci vise à identifier ou à authentifier une personne à partir de son visage, et traite des données biométriques. En marketing, la reconnaissance d’image sert à classer des photothèques, à repérer des logos dans les contenus publiés, à proposer une recherche de produits par l’image et à décrire des visuels.
Un outil de reconnaissance d’image ne dit jamais « c’est un sac ». Il dit « sac, 0,87 ». Fixer le seuil d’acceptation est donc une décision métier, pas un réglage technique. Un seuil haut limite les erreurs, mais laisse beaucoup d’images sans étiquette. Un seuil bas étiquette presque tout, au prix de fausses reconnaissances. Nous recommandons de fixer ce seuil selon le coût d’une erreur : bas pour un tri interne de photothèque, haut pour un contenu publié ou une décision qui touche une personne.
La compétition ImageNet, décrite par Olga Russakovsky et ses coauteurs dans « ImageNet Large Scale Visual Recognition Challenge » (2015), a servi de banc d’essai annuel à partir de 2010. Elle portait sur des centaines de catégories d’objets et des millions d’images, et avait attiré plus de cinquante institutions à la date de l’article. Elle a structuré les progrès de la reconnaissance d’objets.
Sa leçon pour une entreprise tient à sa limite. Un modèle performant sur des catégories générales ne connaît pas vos références produits, vos codes visuels ni vos conditions de prise de vue. Les performances annoncées sur un banc d’essai public ne préjugent pas de celles obtenues sur votre catalogue.
Dès qu’une personne est reconnaissable, le traitement porte sur des données personnelles et relève du RGPD. La CNIL rappelle, dans « Reconnaissance faciale : pour un débat à la hauteur des enjeux » (2019), que les données extraites des visages touchent au corps et à l’intimité des personnes. Elle souligne que la reconnaissance faciale repose « sur une probabilité, et non une certitude absolue, de correspondance ». Pour un usage marketing, nous recommandons d’exclure par défaut toute identification de personnes et de flouter les visages lorsque l’étiquette recherchée ne les concerne pas.
En assistance à maîtrise d’ouvrage, Advalians analyse vos pratiques, évalue les dispositifs existants et vous remet une restitution priorisée des chantiers.
La reconnaissance d’image identifie ce que montre une image ; la reconnaissance faciale cherche à savoir qui elle montre. La première classe des objets, des scènes ou des logos. La seconde compare un visage à un ou plusieurs gabarits enregistrés pour identifier ou authentifier une personne.
La différence est juridique autant que technique : la reconnaissance faciale traite des données biométriques, très encadrées. Pour un projet marketing, vérifiez dès le cadrage que l’outil se limite à détecter la présence d’un visage, sans chercher à l’identifier, et faites-le confirmer par écrit par le fournisseur.
Commencez par la taxonomie, pas par l’outil. Définissez une vingtaine de catégories utiles aux recherches de vos équipes : produit, gamme, usage, saison, présence de personnes. Annotez à la main quelques centaines d’images, puis faites-les traiter par l’outil pressenti.
Comparez ses étiquettes aux vôtres, catégorie par catégorie. Si une catégorie reste mal reconnue, fusionnez-la avec une autre ou prévoyez un modèle adapté. Mettez en production avec un seuil de confiance et une file de validation humaine pour les images incertaines.
Il n’existe pas de seuil universel : il se fixe sur vos images, selon le coût d’une erreur. Méthode : sur un jeu de test annoté, calculez pour plusieurs seuils la précision, c’est-à-dire la part d’étiquettes justes, et le rappel, c’est-à-dire la part d’images pertinentes effectivement retrouvées.
Retenez le seuil qui atteint la précision exigée par l’usage, puis regardez combien d’images il laisse sans étiquette. Ces images partent en validation manuelle. Révisez le seuil quand le fournisseur change de version de modèle ou quand vos visuels évoluent.
Oui, sous conditions, et sans identification des personnes. Une photo où une personne est reconnaissable est une donnée personnelle : son analyse relève du RGPD, avec une finalité définie, une base légale et une information des personnes. L’identification par le visage traite des données biométriques, soumises à un régime beaucoup plus strict.
En pratique, limitez l’analyse à ce que montre la photo : produit, contexte d’usage, présence d’un logo. Floutez les visages quand ils ne servent pas l’analyse et soumettez le traitement à l’avis de votre délégué à la protection des données, s’il en existe un, avant sa mise en service.
Seulement si un modèle généraliste échoue sur vos catégories. Pour des objets courants, des scènes ou du texte, un outil prêt à l’emploi suffit souvent. Un modèle adapté devient utile pour des références produits proches les unes des autres, des défauts de fabrication ou des codes visuels propres à votre marque.
Testez d’abord l’outil généraliste sur votre jeu de test annoté. Si certaines catégories restent sous le niveau exigé, chiffrez l’adaptation : annotation de nouvelles images, entraînement, maintenance à chaque évolution du catalogue. Comparez ce coût au temps de tri manuel économisé.
Par Thomas Bizot – Président du cabinet Advalians
Pendant longtemps, la marque a été perçue comme un simple outil commercial, un..
