CVPR 2026 : l’IA visuelle à la portée des PME

Chaque année, la Conference on Computer Vision and Pattern Recognition (CVPR) réunit des milliers de personnes issues de la recherche et de l’industrie en vision par ordinateur. Avec plus de 12 000 participantes et participants cette année, il offre un aperçu des technologies qui passeront bientôt des laboratoires aux applications concrètes. Cette édition-ci a confirmé un virage important : la course n’est plus seulement à la performance des modèles, mais à leur capacité à être déployés dans de vraies conditions d’exploitation, avec moins de données et moins de puissance de calcul. Pour une PME qui a longtemps vu l’IA visuelle comme un jeu réservé aux grandes entreprises technologiques, ce constat change concrètement l’équation.

Deux membres de l’équipe de recherche du CDRIN et expert.es en vision par ordinateur y étaient pour suivre, entre autres, les ateliers sur l’efficacité des modèles embarqués et sur la conduite autonome, deux domaines qui, à première vue, semblent loin des réalités d’une PME, mais qui annoncent des changements qui les concernent directement. Voici ce que Yann Roubeau et Azzahrae El Khiati en retiennent, et ce que ça signifie pour vous.

1. Qu’est-ce qui vous a le plus surpris du CVPR 2026?

Yann Roubeau : Ce qui m’a le plus surpris, c’est le consensus général de l’industrie autour de certaines technologies. Il y a encore deux ans, on se demandait quoi faire de la génération d’images IA pour répondre à nos enjeux. Aujourd’hui, c’est presque l’inverse : la course est lancée pour voir qui arrivera à l’intégrer pleinement le plus rapidement et le plus efficacement dans son pipeline d’entrainement. Je ne m’attendais pas à un changement de paradigme aussi rapide.

Azzahrae El Khiati : Ce qui frappe le plus, c’est à quel point la vision artificielle est passée du laboratoire au terrain. Les discussions ne portent plus seulement sur la performance des modèles, mais sur la meilleure façon de les déployer, de les rendre plus efficaces et de les intégrer dans des systèmes qui répondent à des besoins bien réels.

2. On parle beaucoup de données synthétiques. Concrètement, qu’est-ce que ça change pour une entreprise qui n’a pas assez de données pour se lancer?

Azzahrae: Ça permet de changer complètement la façon de démarrer un projet. Une entreprise n’a plus besoin d’attendre des années pour accumuler une immense base d’images représentatives de toutes les situations possibles. À partir d’un nombre limité de données réelles, il est maintenant possible de créer des variantes contrôlées : différents éclairages, angles de caméra, environnements, défauts ou scénarios rares. L’entreprise peut ainsi constituer beaucoup plus rapidement un jeu de données adapté à son besoin. Les données réelles restent toutefois essentielles : elles servent à valider que le modèle fonctionne bien dans les conditions du terrain.

Yann: Ça change tout. Là où il fallait auparavant une gigantesque quantité de données annotées, une poignée de données réelles suffit maintenant pour en générer beaucoup d’autres et entrainer un modèle. Plus besoin d’être un géant du numérique pour espérer implanter ce genre de solution, ni même une entreprise du numérique. Il suffit d’une idée claire de ce qu’on veut faire et d’être prêt à investir un peu de temps pour y arriver.

3. Un autre grand thème du CVPR, c’est l’efficacité : faire tourner des modèles directement sur des appareils avec moins de puissance de calcul, ce qu’on appelle l’edge computing. Est-ce que ça profite surtout aux grandes entreprises, ou une PME sans ressources de calcul illimitées peut aussi en tirer parti?

Yann: C’est une très bonne nouvelle pour les PME et toutes les organisations qui souhaitent intégrer l’IA sans dépendre d’une infrastructure lourde. On sent d’ailleurs que le CVPR cette année marque un changement de priorité : on ne cherche plus seulement à développer les modèles les plus précis, mais aussi ceux qui sont réellement déployables. Des projets comme ExecuTorch, déjà adopté par des entreprises comme Intel, Qualcomm ou Samsung, permettent à un modèle de tourner sur à peu près n’importe quel appareil sans dépendre d’une infrastructure spécialisée. On voit aussi des modèles comme MobileCLIP arriver à des résultats comparables avec trois fois moins de données et une inférence deux à trois fois plus rapide. Ce n’est plus une question de moyens, c’est une question de bien choisir ses outils.

Azzahrae: Ce sont justement les PME qui ont le plus à gagner. Une solution capable de tourner directement sur une caméra, un ordinateur industriel ou un appareil mobile demande moins d’infrastructure et moins de transfert de données vers le nuage. Pour une entreprise, ça se traduit par des coûts plus prévisibles, une réponse plus rapide du système, un meilleur contrôle sur les données sensibles, et la possibilité de déployer des solutions IA même dans des environnements où la connexion Internet est limitée ou instable.

4. Waymo, Wayve, Tesla: ce sont des entreprises aux ressources immenses. Y a-t-il quand même des leçons qu’une organisation avec un budget plus modeste peut s’approprier?

Azzahrae: Ce qui ressortait des présentations et des ateliers sur la conduite autonome, c’est que les entreprises ne cherchent pas seulement à accumuler toujours plus de données. Elles tentent surtout d’identifier les scénarios rares et à comprendre dans quelles situations leurs modèles se trompent ou deviennent moins fiables. On a d’ailleurs vu un exemple frappant: un modèle qui se trompait dans certains changements de voie, mais don le vrai problème n’était pas l’erreur elle-même, c’est qu’il présentait son explication comme parfaitement crédible, sans avoir aucun moyen de savoir qu’il avait tort. C’est en bonne partie ce type de limite qui a poussé l’industrie vers une nouvelle génération de modèles capables d’expliquer leur propre raisonnement, justement pour qu’on puisse détecter ce genre d’erreur avant qu’elle ne devienne un problème. Une PME peut retenir la même leçon : ce n’est pas parce qu’un système donne une réponse assurée qu’elle est juste, il faut prévoir une façon de la vérifier.

Yann: Il y a assurément des leçons à tirer. La plus importante, c’est de rester ouvert au changement. En conduite autonome, le domaine a énormément évolué en seulement deux ans. Les organisations qui restent en tête sont celles qui s’adaptent rapidement, testent de nouvelles approches et sont prêtes à faire évoluer leurs méthodes lorsqu’une technologie montre son potentiel. Il faut rester à l’affût et continuer d’innover.

5. Vous avez vu des approches très différentes: Tesla avec seulement des caméras, Waymo avec une suite complète de capteurs, Wayve qui vise à équiper n’importe quel véhicule. Est-ce que cette diversité d’approches nous apprend quelque chose sur les choix technologiques en général, au-delà de la conduite autonome?

Azzahrae: Cette diversité montre qu’un même problème peut être résolu par des stratégies très différentes. Certains acteurs misent sur une grande quantité de capteurs, d’autres sur des caméras et des modèles plus avancés, tandis que d’autres cherchent à développer des solutions pouvant être adaptées à plusieurs plateformes.

Pour une entreprise, la leçon est qu’il ne faut pas choisir une technologie simplement parce qu’elle est populaire ou utilisée par un grand acteur. Le bon choix dépend notamment de la précision recherchée, des conditions d’utilisation, du budget, des données disponibles et du niveau de risque acceptable.

Yann: Ça nous apprend qu’il n’y a pas de bonnes ou de mauvaises solutions pour résoudre un problème, seulement des bonnes avenues. Si des entreprises comme Tesla, Waymo et Wayve, avec des moyens immenses, font encore des choix aussi différents, c’est bien que la technologie n’est jamais « la bonne » dans l’absolu. Elle doit surtout être cohérente avec un contexte, des contraintes et une ambition. Ce qui fait réellement la différence, c’est la qualité de son exécution.

6. La compréhension spatiale dans les vidéos semble être un sujet en forte progression. Pour une entreprise qui n’est pas dans l’auto, est-ce que ce type d’avancée pourrait avoir des applications ailleurs?

Azzahrae: Oui, parce que la compréhension spatiale permet à un système d’analyser la disposition et les déplacements des objets dans un environnement, plutôt que de simplement les détecter ou les identifier dans une image.

Dans le secteur manufacturier, elle pourrait servir à vérifier l’assemblage ou la position de pièces sur une ligne de production. En construction, elle pourrait faciliter le suivi d’un chantier et la comparaison entre l’état réel et les plans numériques. En logistique, elle pourrait aider à analyser les déplacements de marchandises ou à optimiser l’utilisation d’un entrepôt. Ces technologies ouvrent aussi la porte à la reconstruction de scènes en 3D à partir d’images, ce qui facilite la simulation, les jumeaux numériques et le suivi d’environnements complexes.

Yann: La compréhension spatiale est l’un des piliers de la vision par ordinateur. Être capable d’interpréter une vidéo en 3D, c’est ouvrir la porte à une foule d’applications : numériser un logement pour en faciliter la visite virtuelle, analyser une pièce usinée et la comparer à son jumeau numérique, ou encore détecter automatiquement un mauvais positionnement d’un objet sur une chaine de production. On commence d’ailleurs à voir ce type de technologie apparaître dans le manufacturier, l’immobilier, la robotique et plusieurs autres secteurs. Dès qu’il faut comprendre un environnement physique à partir d’images, les possibilités sont nombreuses.

7. Quel est, selon vous, le principal message que le CVPR envoie aux entreprises cette année?

Azzahrae: L’IA visuelle n’est plus une technologie réservée aux quelques organisations qui détiennent d’immenses quantités de données. Aujourd’hui, on peut développer des modèles performants avec beaucoup moins de données, les déployer plus facilement sur les équipements et les adapter à des besoins très concrets. Pour beaucoup d’entreprises, ce qui semblait inaccessible il y a quelques années devient aujourd’hui une option réaliste. Le plus important, c’est d’avoir une application concrète en tête.

Yann: Le premier message, c’est qu’il est désormais possible d’explorer un projet d’IA visuelle même avec une quantité limitée de données réelles. Les données synthétiques permettent d’accélérer les premières expérimentations et de réduire certaines barrières au démarrage. Le deuxième est que les modèles deviennent plus faciles à déployer dans des environnements concrets, y compris sur des équipements disposant de ressources limitées. Et au final, un modèle utile n’est pas seulement celui qui performe le mieux en laboratoire : il doit bien percevoir, bien planifier, être rapide, s’adapter à un contexte qu’il ne connaît pas, et surtout rester fiable, parce qu’en conditions réelles, les petites erreurs s’accumulent. L’IA visuelle devient donc plus accessible, autant pour expérimenter que pour passer à l’application.

Au CDRIN, nous accompagnons déjà des PME qui font face à ces mêmes enjeux, qu’il s’agisse de manque de données réelles, de contraintes de calcul ou de besoin de déployer une solution sur des équipements existants plutôt que sur une infrastructure infonuagique coûteuse. Si votre entreprise songe à explorer un projet d’IA visuelle mais hésite à cause de ces obstacles, discutons-en : nos équipes peuvent évaluer avec vous ce qui est réellement accessible aujourd’hui, avec vos données et vos ressources actuelles.