Comment gagner 11 000 $ par mois grâce à la vision par ordinateur et à l'IA

Un guide complet pour les débutants sans aucune connaissance en programmation.

Marché international. Revenus en dollars.

Comment utiliser ce guide. Lisez-le dans l'ordre.

Les parties 1 à 3 vous aident à comprendre de quoi il s'agit et comment aborder le sujet.

Les parties 4 et 5 sont pratiques : vous exécutez votre premier code.

Les parties 6 à 8 transforment la compétence en argent.

À la fin, vous trouverez une FAQ et un glossaire (si vous rencontrez un mot que vous ne connaissez pas, cherchez-le là).

Table des matières

1. Ce que c'est et pourquoi les gens paient pour ça
2. Vos outils -> ce qu'ils sont et pourquoi (en termes simples)
3. Comment travailler avec l'IA -> votre compétence principale au lieu de la programmation
4. Exécuter votre premier code dans Google Colab -> étape par étape
5. La trousse à scripts prêts à l'emploi (avec une explication de ce que fait chacun)
6. Portfolio -> trois projets qui se vendent
7. Où trouver des clients et combien facturer (avec des modèles en anglais)
8. Votre plan pour les 90 premiers jours
9. Repères financiers
10. Foire aux questions (FAQ)
11. Ce qu'il NE faut PAS faire
12. Glossaire

Partie 1. Ce que c'est et pourquoi les gens paient pour ça

La vision par ordinateur est une technologie qui permet à un ordinateur de « regarder » une photo ou une vidéo et de comprendre ce qu'elle contient : quels objets sont présents, où ils se trouvent, où ils se déplacent, combien il y en a. Essentiellement, c'est la même chose que ce que font l'œil et le cerveau humains -> mais de manière automatique et sur un nombre illimité de caméras à la fois.

Les quatre vidéos qui ont lancé tout cela ne sont pas des tutoriels ludiques -> ce sont quatre tâches commerciales réelles :

• Compter des objets -> entrepôts, inventaire, contrôle des stocks.
• Suivre et compter des personnes/véhicules -> magasins (combien de personnes sont entrées), routes (combien de voitures sont passées).
• Estimation de la vitesse -> contrôle du trafic, sécurité routière et sur les chantiers.
• Analyse sportive -> suivi des joueurs, analyse des matchs (une industrie énorme).

Les entreprises paient constamment pour ce genre de choses : commerce de détail, sécurité, trafic routier, fabrication (contrôle des défauts), agriculture, sports, logistique.

Pourquoi une personne sans diplôme et sans programmation peut-elle faire cela maintenant ? Parce que deux choses sont apparues :

1. Des outils prêts à l'emploi qui savent déjà « voir » (pas besoin de les inventer -> il suffit de les exécuter).
2. Des assistants IA qui écrivent et corrigent le code pour vous.

Avant, cela nécessitait un ingénieur avec des années d'expérience. Maintenant, votre travail consiste à assembler des blocs prêts à l'emploi et à expliquer à l'IA ce dont vous avez besoin.

Un discours honnête sur ce qui fonctionnera réellement :

• Cette voie mène le mieux au freelance et aux projets clés en main -> vous construisez un système fonctionnel pour le client (par exemple, comptage de visiteurs) et vous êtes payé pour le résultat. C'est la voie principale (Voie B ci-dessous).
• C'est plus difficile et plus lent pour les postes d'ingénieur à temps plein dans une entreprise : lors des entretiens, on vous demandera encore d'écrire du code en direct, et l'IA seule ne suffira pas. Les gens y vont une fois qu'ils ont de l'expérience de projet (Voie A).

En d'autres termes, l'argent arrive le plus rapidement des clients pour un travail fini, et non pas sous forme d'offre d'une grande entreprise.

Partie 2. Vos outils -> ce qu'ils sont et pourquoi

N'ayez pas peur des noms. Voici ce que tout cela signifie en langage simple :

• YOLO -> « l'œil ». Un modèle prêt à l'emploi qui trouve des objets dans une image et dessine une boîte autour d'eux avec une étiquette (« personne », « voiture »). Se télécharge avec une seule ligne, utilisable immédiatement.
• ByteTrack -> « la mémoire ». Seul, YOLO voit chaque image de zéro. ByteTrack relie les objets entre les images et leur attribue des numéros (ID), ce qui lui permet de comprendre : cette personne à la seconde 1 et à la seconde 5 est la même. Sans cela, vous ne pouvez ni compter ni mesurer les mouvements.
• Supervision -> « le kit de construction ». Une bibliothèque de blocs prêts à l'emploi : dessiner des boîtes, ajouter une ligne de comptage, définir une zone, compter les passages. Elle transforme « le modèle voit des objets » en « le programme compte les entrées et les sorties ».
• Roboflow -> « la plateforme quasi sans code ». Dans le navigateur : vous étiquetez vos données avec la souris, entraînez un modèle en quelques clics et obtenez une API prête. Et dans la section Roboflow Universe, il y a des milliers de modèles déjà entraînés -> souvent, vous n'avez rien à entraîner du tout, il suffit d'en prendre un tout prêt.
• Google Colab -> « l'ordinateur dans votre navigateur ». Un environnement gratuit où le code s'exécute sur les serveurs de Google. Vous n'avez pas besoin d'un PC puissant et vous n'installez rien : ouvrez la page, collez le code, appuyez sur le bouton.
• Assistant IA (Claude, ChatGPT, Gemini) -> « votre programmeur ». Écrit le code pour votre tâche, le modifie et corrige les erreurs. Pour ceux qui veulent construire une véritable application, il y a Cursor -> un éditeur où l'IA écrit presque tout le code elle-même.

Comment tout cela fonctionne ensemble (le pipeline) :

Vidéo →

YOLO

trouve les objets →

ByteTrack

leur attribue des numéros →

Supervision

compte par ligne/zone → vous obtenez le résultat (vidéo annotée + chiffres). Tout cela s'exécute dans

Colab

, et le code est écrit et corrigé par

l'IA

. Si vous avez besoin d'objets non standard, vous entraînez un modèle dans

Roboflow

.

Partie 3. Comment travailler avec l'IA -> votre compétence principale

Dans cette configuration, votre véritable compétence n'est pas Python -> c'est la capacité à expliquer clairement la tâche à l'IA et à assembler les pièces. C'est comme travailler avec un assistant très compétent : plus la tâche est claire, meilleur est le résultat.

La règle d'or : toute erreur que Colab affiche, vous la copiez intégralement et la donnez à l'IA -> elle corrigera le code pour la version actuelle de la bibliothèque. Les versions changent, le code se casse parfois -> c'est normal, c'est à cela que sert l'IA. Ne restez jamais à lutter seul contre une erreur.

Modèles de prompts qui couvrent 90 % des tâches :

Adapter un script pour vous :

« Voici un script Python fonctionnel utilisant la bibliothèque supervision [collez le code]. Je ne suis pas programmeur. Modifiez-le pour qu'il compte uniquement les personnes, pas tous les objets. Renvoyez le code complet et prêt à l'emploi. »

Corriger une erreur :

« J'ai exécuté ce code dans Google Colab [collez le code] et j'ai obtenu cette erreur : [collez tout le texte de l'erreur]. Corrigez le code pour la version actuelle de la bibliothèque et renvoyez la version corrigée complète. »

Comprendre ce que fait le code :

« Expliquez en termes simples, sans jargon, ce que fait ce script et ce que je verrai en sortie. »

L'adapter à une vidéo spécifique :

« Aidez-moi à définir les coordonnées de la ligne de comptage pour une vidéo de 1280 de large et 720 de haut. La ligne doit passer horizontalement par le centre. »

Construire une nouvelle fonctionnalité :

« À partir de ce script, ajoutez un comptage séparé par type : combien de voitures et combien de camions sont passés. Renvoyez le code complet. »

Rédiger du texte (CV, README, proposition client) :

« Rédigez une courte description en anglais d'un projet de comptage de visiteurs pour mon GitHub : le problème, la solution, les technologies utilisées, comment l'exécuter. »

Erreurs courantes des débutants lorsqu'ils travaillent avec l'IA :

• Donner à l'IA un extrait au lieu du code entier -> elle le corrige donc à l'aveugle. Donnez le script entier.
• Écrire « ça ne marche pas » au lieu du texte de l'erreur. Collez toujours l'erreur complète.
• Modifier le code au hasard à la main. Ne demandez pas à l'IA d'apporter la modification et de renvoyer la version finie.

Et surtout -> vérifiez toujours le résultat. L'IA peut produire avec assurance un code qui s'exécute mais qui compte la mauvaise chose. Ouvrez la vidéo de sortie, vérifiez visuellement que les boîtes sont sur les bons objets et que les chiffres semblent plausibles. C'est votre responsabilité, pas celle de l'IA.

Partie 4. Exécuter votre premier code dans Google Colab -> étape par étape

C'est la partie la plus « effrayante » pour un débutant, mais en réalité, cela prend 5 minutes. Une fois compris, c'est acquis.

1. Ouvrez colab.research.google.com (connectez-vous avec un compte Google) → cliquez sur Nouveau notebook.
2. Vous verrez une boîte vide -> c'est une cellule. C'est là que le code va. À gauche de la cellule se trouve le bouton ▶ (exécuter).
3. Collez le Script 0 (installation des bibliothèques) dans la première cellule et appuyez sur ▶. Attendez 20 à 60 secondes -> des lignes de texte défileront, c'est normal.
4. Obtenez une vidéo de test. Le plus simple est l'échantillon intégré. Créez une nouvelle cellule (le bouton « + Code ») et exécutez :

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video downloaded:", path)   # this is the file people-walking.mp4

Ou téléchargez votre propre vidéo :

1from google.colab import files
2uploaded = files.upload()   # pick a file; remember its name and put it in the script instead of input.mp4

• Collez le script dont vous avez besoin (par exemple, le Script 3) dans une nouvelle cellule. Corrigez le nom du fichier d'entrée si nécessaire. Appuyez sur ▶.
• Téléchargez le résultat sur votre ordinateur :

1from google.colab import files
2files.download("output_count.mp4")

Si quelque chose ne va pas :

• « No such file » / fichier introuvable -> le nom de la vidéo dans le script ne correspond pas au vrai nom. Vérifiez le nom du fichier.
• Lent et poussif -> activez le GPU gratuit : menu Runtime → Modifier le type d'exécution → GPU.
• N'importe quelle erreur rouge -> copiez-la intégralement et donnez-la à l'IA (la règle d'or).

Partie 5. La trousse à scripts prêts à l'emploi

Vous n'avez pas besoin de comprendre ces scripts ligne par ligne. Exécutez-le, s'il y a une erreur, donnez-la à l'IA. Chacun est accompagné d'une explication en langage simple.

Script 0 -> installation (exécutez-le toujours en premier)

1!pip install ultralytics supervision -q

Ce qu'il fait : installe « l'œil » (YOLO) et le « kit de construction » (Supervision). À faire une fois par session.

Script 1 -> trouver et étiqueter des objets dans une vidéo

Ce qu'il fait : dessine des boîtes avec des étiquettes autour de tous les objets. C'est la vérification de base que tout fonctionne.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # the "eye" model, downloads automatically
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Done: output_detect.mp4")

Script 2 -> suivi avec des numéros (ID)

Ce qu'il fait : attribue à chaque objet un numéro persistant et le conserve tant que l'objet est dans le cadre. La base pour le comptage et le mouvement.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Done: output_track.mp4")

Script 3 -> comptage des passages de ligne (le principal, commercial)

Ce qu'il fait : compte combien d'objets ont traversé une ligne imaginaire dans chaque direction. C'est exactement « combien de visiteurs sont entrés » ou « combien de voitures sont passées ».

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Counting line: tune the coordinates (x, y in pixels) to your video.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # TO COUNT ONLY PEOPLE — remove the # on the line below (0 = person):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"In: {line_zone.in_count} | Out: {line_zone.out_count}")

Sauvegarder le comptage dans un fichier (vous pouvez le remettre au client)

Ajoutez ceci à la toute fin, après le traitement de la vidéo :

1with open("counts.txt", "w") as f:
2    f.write(f"In: {line_zone.in_count}\n")
3    f.write(f"Out: {line_zone.out_count}\n")
4print("Numbers saved to counts.txt")

Tout ce qui est plus difficile -> confiez-le à l'IA (ne l'écrivez pas vous-même)

• Estimation de la vitesse des véhicules : « À partir de YOLO et de la bibliothèque supervision, écrivez un script pour Google Colab qui estime la vitesse des voitures dans une vidéo de dashcam/caméra de route. Expliquez en termes simples, en détail, comment configurer la perspective pour mon cadre. Je ne suis pas programmeur, donnez-moi le code complet et prêt. »
• Compter à l'intérieur d'une zone (au lieu d'une ligne) -> par exemple, combien de personnes se trouvent dans une zone d'attente : « Remaniez le script pour qu'il compte le nombre de personnes à l'intérieur d'une zone rectangulaire dans la vidéo (utilisez PolygonZone de supervision). Donnez le code complet et expliquez comment définir les coordonnées de la zone. »
• Objets personnalisés (produits, défauts, animaux non présents dans le modèle standard) : étiquetez un ensemble de données dans Roboflow via le navigateur, entraînez-le là-bas, obtenez votre modèle et demandez à l'IA de l'intégrer dans le Script 3.

Partie 6. Portfolio -> trois projets qui se vendent

Un portfolio compte plus qu'un diplôme : sur le marché international, on regarde le résultat que vous avez montré, pas les diplômes. Vous avez besoin de 3 courtes démos pour des niches réelles.

Où trouver des vidéos gratuites pour les démos (sans soucis de droits d'auteur) :

• L'échantillon Supervision intégré (voir Partie 4) -> le démarrage le plus rapide.
• Pexels et Pixabay -> vidéos libres de droits de personnes, rues, voitures, sous licence d'utilisation.

Les trois projets :

1. Comptage de visiteurs pour un magasin. Script 3 avec un filtre pour les personnes uniquement, ligne à l'entrée. Vous montrez : la vidéo avec les boîtes et un compteur + les chiffres finaux. À qui cela se vend : commerce de détail, cafés, centres commerciaux.
2. Comptage et suivi de voitures. Script 3 sur des images de route/parking. À qui cela se vend : exploitants de parkings, services routiers, analyses de trafic.
3. Un objet personnalisé via Roboflow. Vous étiquetez quelque chose de non standard (par exemple, des bouteilles sur une ligne, ou des défauts) et vous le comptez. Montre que vous pouvez travailler avec les données du client. À qui cela se vend : fabrication, entrepôts, agriculture.

Comment présenter chaque projet :

• Enregistrez une vidéo de démonstration du résultat (10 à 30 secondes). Enregistrez la vidéo de sortie qui se joue -> n'importe quel enregistreur d'écran fait l'affaire, ou téléchargez simplement un court clip sur YouTube en mode « non répertorié ».
• Mettez-le sur GitHub (un site gratuit pour le code et les projets). Laissez l'IA écrire les fichiers et le texte de description (README) : « Rédigez un README en anglais pour un projet de comptage de visiteurs sur vidéo. Divisez-le en : le problème, ce que fait la solution, les technologies utilisées (YOLO, ByteTrack, Supervision), comment l'exécuter dans Google Colab. Court et clair. »
• Optionnel -> une démo en direct. Vous pouvez la déployer gratuitement sur Hugging Face Spaces (une plateforme où votre démo s'exécute en ligne et peut être ouverte via un lien) ou via l'API prête de Roboflow. Cela augmente considérablement la confiance du client. Comment faire -> demandez à l'IA.

Partie 7. Où trouver des clients et combien facturer

Les clients des États-Unis/d'Europe paient en dollars. La plateforme principale pour commencer est Upwork.

Étape 1. Votre profil Upwork

Le titre doit être une spécialité étroite, pas « développeur IA en général ». Exemple (vous pouvez l'utiliser tel quel) :

Ingénieur en Vision par Ordinateur

->

Détection d'Objets, Suivi & Comptage de Personnes/Véhicules

Le texte « Présentation » -> un exemple en anglais :

I build computer vision systems that detect, track, and count objects in video -> people counting for retail, vehicle counting for traffic and parking, and custom object detection for manufacturing and inventory.Stack: YOLO, ByteTrack, Supervision, Roboflow, Python. I deliver working solutions with annotated output video and exportable counts (CSV/report).See my demos below. Tell me your use case and I'll show you exactly what's possible.

Dans le portfolio du profil -> vos trois démos avec des vidéos et des liens vers GitHub.

Étape 2. Vos premiers avis

Cela décide tout au début. Acceptez vos 3 à 5 premiers travaux à un taux légèrement inférieur à celui du marché (par exemple, 30 à 45 $/h au lieu de 60 $+) pour obtenir rapidement des avis et une évaluation. Augmentez ensuite votre taux immédiatement -> rester à un taux bas après de bons avis, c'est laisser de l'argent sur la table.

Étape 3. Répondre à une offre d'emploi (proposition)

N'écrivez pas un mur de texte. Structurez : « Je comprends la tâche → j'ai déjà construit exactement cela → comment et pour combien je vais le faire. » Exemple en anglais :

Hi! You need to count [people/vehicles] in your video footage -> I've built exactly this. Here's a 20-second demo of my counting system: [link].For your project I'll: detect and track the objects, set up a counting line/zone, and give you the annotated video plus the final counts in a report.I can deliver a first working version in [3–5] days. Happy to do a quick test on a short clip of your footage first, free of charge.

Un test gratuit sur un court extrait de la vidéo du client dissipe la moitié des doutes et scelle souvent l'affaire.

Étape 4. Que demander au client dès le départ (pour ne pas se tromper)

• Que comptons-nous/détectons-nous exactement (personnes, voitures, un produit spécifique) ?
• D'où vient la vidéo : un fichier prêt, une caméra, un flux en ligne (RTSP) ?
• Quel est le résultat attendu : vidéo annotée, chiffres dans un tableau, un tableau de bord en direct, des alertes ?
• Quelle précision est suffisante, et quelle est la date limite ?
• Quel est le budget ?

Étape 5. Prix et frais

• Horaire : commencez à 30–45 $ (pour les avis) → puis passez avec confiance vers le marché : junior 50–80 $, intermédiaire 80–120 $, senior 120–200 $+. Le taux médian du freelance en ML est d'environ 100 $/h.
• Par projet (fixe) : un système de comptage clé en main simple, un benchmark de départ de 300 à 1 500 $ ; les systèmes sérieux commencent à partir de 5 000 $ et bien plus (sur le marché, les projets atteignent 250 000 $+).
• Frais Upwork -> variables de 0 à 15 %, généralement environ 10 % (sur un taux de 50 $, vous empochez environ 45 $). Intégrez cela dans votre prix.

Étape 6. Où évoluer

• Toptal -> une plateforme avec un filtrage top 3 %, des taux plus élevés et des clients plus solides. Allez-y une fois que vous avez déjà un portfolio et des avis.
• Fiverr -> vous pouvez configurer un « service produit » (par exemple, « Je vais configurer le comptage de personnes sur votre vidéo pour X $ ») et obtenir des missions de manière plus passive.

Partie 8. Votre plan pour les 90 premiers jours

Période

Ce que vous faites

Résultat

Semaine 1

Maîtrisé Colab, exécuté les Scripts 1 à 3 sur une vidéo test

Le code fonctionne entre vos mains

Semaines 2–3

Construit 3 démos de niche sur vos propres vidéos, enregistré des clips

Démos prêtes

Semaine 4

GitHub + packaging en anglais (texte de l'IA)

Portfolio en ligne

Semaine 5

Profil Upwork, premières propositions

Premières propositions envoyées

Semaines 6–10

Propositions actives (10–20/semaine), tests gratuits pour les clients

Premier travail et premier avis

Semaines 11–13

Livrer le travail, collecter les avis, augmenter votre taux

Premier argent, augmentation de taux

Ne vous découragez pas si le premier travail ne vient pas tout de suite -> au début, c'est normal ; le chemin prend souvent 1 à 3 mois d'effort actif.

Partie 9. Repères financiers (USD, 2026)

Canal

Junior

Intermédiaire

Senior

Freelance ($/h)

50–80 $

80–120 $

120–200 $+

Projet clé en main

à partir d'env. 10 000 $

—

jusqu'à 250 000 $+

Emploi à temps plein aux États-Unis ($/an)

env. 102 000 $

env. 130–165 000 $

200 000–266 000 $+

Le marché de la vision par ordinateur est en croissance : environ 22 milliards de dollars en 2024 → une prévision d'environ 111 milliards de dollars d'ici 2033. La demande est de votre côté.

Partie 10. Foire aux questions (FAQ)

Ai-je besoin d'un ordinateur puissant ? Non. Google Colab vous donne un accès gratuit à des serveurs puissants avec un GPU dans le cloud. Vous pouvez travailler même depuis un ordinateur portable faible ou une tablette.

Dois-je payer quelque chose ? Fondamentalement, tout est gratuit : Colab (niveau gratuit), YOLO/Supervision (open source), Roboflow (plan gratuit), GitHub. Vous commencez à payer seulement lorsque les projets prennent de l'ampleur (Colab/cloud payant).

Est-ce légal ? Les outils eux-mêmes -> oui, ils sont ouverts et légaux. Mais lorsque vous travaillez avec de vraies caméras et de vraies personnes, il existe des lois sur la vie privée et les données. Ne publiez pas les images d'autrui sans autorisation et discutez avec le client du fait qu'il a le droit d'utiliser ces données.

Et si la tâche du client ne ressemble pas aux scripts ? C'est à cela que sert l'IA : décomposez la tâche en parties et demandez de l'aide. Si la tâche est vraiment au-delà de ce que vous pouvez faire, il est préférable de refuser honnêtement plutôt que de ne pas respecter le délai.

À quelle vitesse le premier argent arrivera-t-il ? Réalistement -> de quelques semaines à quelques mois avec un effort actif. Ce n'est pas un « bouton magique pour l'argent », c'est une compétence que vous devez vendre.

Ai-je besoin de mathématiques et de théorie ? Pour cette voie assistée par l'IA -> non. Comprendre les bases aidera plus tard, lorsque vous voudrez entreprendre des projets complexes ou passer à un emploi à temps plein.

Cela fonctionnera-t-il en temps réel / avec une caméra en direct ? Le Colab gratuit est suffisant pour les démos et le traitement de fichiers. Pour un flux en ligne (RTSP) et le temps réel, vous avez besoin de plus de ressources -> l'IA vous dira comment configurer cela.

Partie 11. Ce qu'il NE faut PAS faire

• N'allez pas sur le marché sans être capable de « fournir un résultat ». « Ça a marché sur ma machine » ne suffit pas -> le client a besoin d'un résultat clair (vidéo + chiffres + un court rapport).
• Ne clonez pas des tutoriels purs un à un. Vous avez besoin de démos sur vos propres vidéos et pour une niche spécifique.
• Ne restez pas bloqué sur un taux bas. Augmentez-le après vos premiers avis.
• Ne faites pas aveuglément confiance au code de l'IA. Ouvrez toujours le résultat et vérifiez visuellement qu'il compte correctement.
• Ne vous éparpillez pas sur « l'IA en général ». Une spécialité étroite (comptage/suivi/analyse vidéo) se vend plus cher et est plus facile à comprendre.

Partie 12. Glossaire

• Modèle -> un programme entraîné qui reconnaît quelque chose (ex : YOLO reconnaît des objets).
• Jeu de données -> un ensemble d'images/vidéos à partir duquel le modèle apprend.
• Étiquetage / annotation -> le fait de délimiter les objets nécessaires dans les images à l'aide de la souris pour que le modèle comprenne ce qu'il doit chercher (effectué dans Roboflow).
• Boîte englobante -> le rectangle autour d'un objet détecté.
• Classe -> le type d'objet : « personne », « voiture », « bouteille ».
• Confiance -> le degré de certitude du modèle concernant une détection (de 0 à 1).
• Inférence -> le moment où le modèle s'exécute et reconnaît quelque chose (par opposition à l'entraînement).
• Entraînement -> le processus par lequel le modèle apprend à partir d'un jeu de données pour votre tâche.
• Suivi / ID -> le fait de suivre un seul objet à travers les images avec un numéro persistant.
• API -> un moyen d'accéder au modèle « via internet » : envoyer une image, obtenir un résultat, sans avoir votre propre code de modèle.
• FPS -> images par seconde ; plus c'est élevé, plus le traitement vidéo est « en temps réel ».
• RTSP -> le format d'un flux en direct provenant d'une caméra de surveillance.
• GPU -> un processeur puissant pour les cartes graphiques ; il accélère les modèles (dans Colab, il est gratuit dans le cloud).

Tous les chiffres sont des références de marché pour 2026 et dépendent de votre niveau, de votre niche et du client/employeur spécifique.

À tous ceux qui ont lu ceci et veulent essayer, je vous souhaite bonne chance 🩷

Enregistrez-le dans vos favoris pour ne pas le perdre