Computer Vision
Développement de systèmes de Computer Vision sur mesure : détection d'objets, OCR et document AI, classification et segmentation, video analytics en temps réel, contrôle qualité automatisé en production, reconnaissance faciale et biométrie, lecture de plaques (ANPR), comptage de personnes et analyse de flux retail, inspection visuelle sur ligne industrielle. Stack : OpenCV, TensorFlow, PyTorch, YOLO, MediaPipe, services cloud (Google Cloud Vision, AWS Rekognition, Azure Computer Vision) et edge inference (NVIDIA Jetson, Coral) lorsque la latence et la confidentialité l'exigent. Du POC sur les datasets de vos clients au déploiement en production avec pipeline MLOps, monitoring du drift et re-training continu.
Ce que nous livrons
- Détection et suivi d'objets multi-classes avec YOLO et modèles custom fine-tunés sur des jeux de données propriétaires
- OCR et Document AI pour l'extraction structurée de données depuis des factures, bons de livraison et formulaires non standardisés
- Segmentation sémantique et segmentation d'instances pour le contrôle qualité visuel automatisé en ligne de production
- Analyse vidéo temps réel : comptage de personnes, cartes de chaleur des flux, mesure du temps de présence pour le commerce de détail
- ANPR (reconnaissance automatique de plaques d'immatriculation) pour le contrôle d'accès, la logistique et les parkings
- Inférence sur edge avec NVIDIA Jetson et Google Coral pour les environnements à contraintes de latence, de réseau ou de confidentialité
- Pipelines MLOps avec surveillance du drift, alertes sur la dégradation du modèle et re-training automatisé
- Intégration des API Vision cloud (Google, AWS, Azure) pour la montée en charge horizontale sur des volumes variables
Quand vous en avez besoin
Industriel dont le taux de rebuts échappe au contrôle manuel
Une ligne de production à haute cadence génère des défauts visuels que les opérateurs humains ne parviennent plus à intercepter. Les rebuts augmentent et la traçabilité est insuffisante. L'entreprise cherche un système automatisé capable de fonctionner 24h/24 et d'enregistrer chaque anomalie.
Enseigne retail souhaitant mesurer le comportement en magasin
Une chaîne de distribution veut identifier les zones à forte conversion, les points de fluidité et d'abandon — des données que les caisses ne fournissent pas. Elle a besoin d'une analyse visuelle anonymisée conforme au RGPD, exploitable par les équipes merchandising.
Opérateur logistique automatisant le contrôle d'accès des véhicules
Un site industriel ou un entrepôt doit gérer les entrées et sorties de véhicules sans intervention humaine. La saisie manuelle des plaques génère des erreurs et des ralentissements. Un système ANPR fiable, même en conditions d'éclairage difficiles, est nécessaire.
Service administratif submergé par des documents papier hétérogènes
Un cabinet ou un service de gestion traite chaque jour des centaines de documents de formats variés : factures manuscrites, bons de commande non structurés, formulaires mixtes. La saisie manuelle est coûteuse et source d'erreurs. Il faut un moteur OCR qui écrit directement dans l'ERP.
Questions fréquentes
Quelle quantité de données d'entraînement est réellement nécessaire ?
Cela dépend de la complexité du cas d'usage. Pour détecter un défaut visuel répétitif, 300 à 500 images annotées suffisent souvent pour un premier modèle opérationnel. Pour des scénarios à forte variabilité — éclairage, angles, classes multiples — il faut généralement compter 2 000 à 5 000 exemples par classe. Nous commençons systématiquement par un audit du jeu de données existant avant toute estimation.
Le modèle peut-il fonctionner sans connexion internet ?
Oui. Pour les environnements isolés ou soumis à des exigences strictes en matière de confidentialité, nous déployons l'inférence en local sur des modules edge : NVIDIA Jetson pour les charges de calcul plus importantes, Google Coral pour les applications ultra-basse latence. Aucune donnée ne quitte le site.
Quel est le délai réaliste entre le POC et la mise en production ?
Un POC réalisé sur des données fournies par le client prend généralement 3 à 6 semaines. Le passage en production — pipeline MLOps, monitoring, intégration aux systèmes existants — nécessite 4 à 10 semaines supplémentaires selon la complexité de l'infrastructure. Le délai total le plus fréquent pour un projet industriel se situe entre 3 et 4 mois.
Comment gérez-vous la dégradation de la précision du modèle dans le temps ?
Nous mettons en place une couche de surveillance qui mesure la distribution des entrées et les scores de confiance en production. Dès que les valeurs sortent des seuils définis en phase de conception, une alerte est déclenchée. Nous évaluons alors si des données d'entraînement supplémentaires suffisent ou si les conditions opérationnelles ont évolué de façon structurelle.
La reconnaissance faciale est-elle compatible avec le RGPD ?
La donnée biométrique est une catégorie particulière au sens de l'article 9 du RGPD : elle exige une base juridique explicite, une AIPD obligatoire et des mesures techniques de minimisation. Nous n'intervenons que sur des cas d'usage où ces conditions sont documentées en amont. Pour le commerce de détail, nous orientons le plus souvent vers des solutions d'analyse agrégée anonymisée, qui évitent tout traitement biométrique.
Besoin d'un support technique ?
Nous sommes prêts à intervenir.
Remplissez le formulaire ou échangez avec notre assistant IA : nous vous répondons sous 24 heures ouvrées.