IA · imagerie très haute résolution

Détecter bâtiments, véhicules et bateaux sur l'imagerie très haute résolution

Un détecteur YOLO entraîné sur xView (images à 30 cm, 60 classes), appliqué à une autre image satellite très haute résolution. Les détections sont regroupées en 14 classes, et six d'entre elles sont détourées avec SAM.

Expertise France · 2026

Application de détection d'objets : panneau de réglages et carte des petits bateaux détectés dans un port
L'application : détection en direct ou chargement de résultats, regroupement en 14 classes, contours SAM ; sur la carte, filtres par score et par classe. Ici, un port de plaisance.

Pour qui

Pour des comptages et des inventaires sur de grandes surfaces (bâti, véhicules, bateaux), à contrôler avant tout usage officiel.

Ce que fait l'application

Détection sur une zone

Rectangle tracé sur l'image, jusqu'à 10 000 x 10 000 px, détection sur GPU et regroupement des 60 classes en 14.

Contours SAM

SAM 2.1 détoure bâtiments, navires, petits bateaux, réservoirs, avions et hélicoptères, avec leur surface.

Filtres et export

Score minimal, classes affichées et effectifs sans relancer le calcul. Export GeoPackage et CSV.

Comment ça marche

  1. 01

    Données

    xView : images WorldView-3 à 30 cm annotées en 60 classes, découpées en tuiles de 640 px. Validation sur 10 % des scènes, les labels officiels de validation n'étant pas publics.

  2. 02

    Entraînement

    YOLO (Ultralytics) sur GPU, sauvegarde à chaque époque et reprise après une interruption.

  3. 03

    Détection

    Tuiles de 640 px avec 20 % de recouvrement, détections fusionnées, puis contours SAM à partir des boîtes.

En images

Petits bateaux détectés dans un port de plaisance, avec boîtes et contours
Port de plaisance : classe « petit bateau », boîtes YOLO et contours SAM. Détections calculées sur une image à 30 cm, affichées sur le fond de carte Esri.
Bâtiments et véhicules détectés dans un quartier résidentiel
Quartier résidentiel : 212 bâtiments et 20 véhicules légers au score ≥ 0,10, un seuil bas qui garde aussi de fausses détections.

Limites connues

  • Classes déséquilibrées : bâtiments et petites voitures dominent, les classes rares sont moins bien détectées.
  • Modèle entraîné sur WorldView-3 et appliqué ici à une autre image à 30 cm, sans mesure de performance sur celle-ci.
  • Boîtes alignées sur les axes, peu adaptées aux objets allongés et obliques.

Pour aller plus loin

  • Boîtes orientées pour les navires et les avions
  • Ajustement sur une imagerie locale (drone, Pléiades Neo) avec quelques annotations

Rôle

  • Préparation des données
  • Entraînement du modèle sur GPU
  • Application de démonstration

Technologies

PyTorch · YOLO (Ultralytics) · SAM 2.1 · xView · GeoPackage · ipyleaflet · Voilà · GPU

Le cadre

Démonstrateur conçu et développé en 2026 par Guillaume Rieu, auteur des spécifications des Earth Innovation Labs, en contribution bénévole à la recette de ces plateformes au Kenya pour Expertise France. Il tourne dans l'environnement JupyterHub de la plateforme.

Un besoin proche ?

Ces démonstrateurs peuvent servir de base à un outil adapté à vos données, à votre zone ou à votre question.

Nous contacter

Autres réalisations