ai-ml-computer-vision-guide

name

ai-ml-computer-vision-guide

description

Guide computer vision (classification, détection, segmentation) avec PyTorch, TensorFlow, OpenCV — critères de choix de modèle, pipelines annotés, snippets copiables, optimisation pour le déploiement edge/cloud. Se déclenche avec "computer vision", "détection d'objets", "YOLO", "classification d'images", "segmentation". Also triggers on "image classification", "object detection", "segmentation model".

Computer Vision Guide

Guide opérationnel pour concevoir, entraîner et déployer des solutions de vision par ordinateur : classification, détection d'objets, segmentation sémantique/d'instance.

---

1. Choisir la bonne tâche et le bon modèle

Critères de décision

Besoin	Tâche	Modèles recommandés (2026)
« Qu'est-ce que c'est ? »	Classification	EfficientNetV2, ConvNeXt-v2, ViT-S/16
« Où est l'objet ? » (boîtes)	Détection	YOLOv10/v11, RT-DETR, Co-DETR
« Pixel par pixel, quelle classe ? »	Segmentation sémantique	SegFormer-B4, OneFormer
« Chaque instance séparément ? »	Segmentation d'instance	Mask2Former, YOLOv8-seg
« N'importe quel objet à prompter »	Segmentation zéro-shot	SAM 2 (Meta)
Traitement bas-niveau (filtrage, calibration)	Vision classique	OpenCV (pas de DL)

Règle de décision rapide :

• Contraintes temps réel & edge → YOLO (v10+) ou EfficientDet
• Précision maximale, budget GPU → Co-DETR, Mask2Former
• Peu de données (< 500 images) → fine-tuning d'un modèle fondation (SAM 2, DINOv2)
• Mobile/embarqué → MobileNetV4, YOLO-NAS-s, TFLite