L'ardoisier du Tour de France, vous connaissez ? Pendant des décennies, un motard remontait le peloton avec une ardoise et une craie pour annoncer les écarts aux coureurs. Ce week-end, avec mon MacBook, j'ai rejoué son rôle.

Point de départ : un simple clip amateur filmé au bord de la route. À l'arrivée :

18,7 s
l'écart mesuré entre le passage du maillot jaune et celui du dernier coureur — avec 130 coureurs comptés au franchissement d'une ligne virtuelle, et le maillot jaune identifié automatiquement grâce à sa couleur.
Démonstration personnelle sur un clip amateur du Tour de France, avec les outils open source de Roboflow.

Compter, identifier, chronométrer

Le comptage en direct : chaque coureur qui franchit la ligne virtuelle incrémente le compteur, l'écart maillot jaune → dernier s'affiche en continu.

Même recette que pour le football : détection et suivi des coureurs, plus deux astuces. Une ligne virtuelle tracée dans l'image sert de cellule de chronométrage : chaque coureur qui la franchit incrémente le compteur. Et le maillot jaune est repéré par analyse de couleur — pas besoin d'un modèle sophistiqué quand une signature visuelle suffit.

Image du peloton annotée : coureurs en bleu, spectateurs en gris, maillot jaune encadré en jaune, ligne virtuelle blanche et compteur en haut de l'image
Coureurs, spectateurs et maillot jaune, distingués automatiquement.
Histogramme des franchissements de la ligne virtuelle par seconde : 130 coureurs comptés en une vingtaine de secondes
Les 130 franchissements, seconde par seconde.

Puis j'ai entraîné mon propre modèle : VENTOUX

Jusqu'ici, j'utilisais des modèles génériques pré-entraînés. Cette fois, je suis allé plus loin : entraîner un modèle spécialisé dans la détection de cyclistes en course.

Je suis parti d'un jeu de données public de l'Université de Gand, hébergé sur Roboflow : des images de courses cyclistes annotées, réparties entre entraînement, validation et test. Après 50 époques d'apprentissage et 55 minutes de calcul sur mon Mac, VENTOUX atteint une mAP de 86 % sur le jeu de validation (la mAP, « mean Average Precision », mesure la qualité des détections : plus c'est haut, mieux c'est).

Mosaïque d'images de validation avec les détections du modèle VENTOUX : cyclistes et motos encadrés avec leur score de confiance
Les prédictions de VENTOUX sur des images de validation : cyclistes et motos, avec leur score de confiance.

La vraie leçon : 86 % en validation, 52 % en test

Sur le jeu de test — des images jamais utilisées pour entraîner ou ajuster le modèle — la performance redescend à 52 %.

Pourquoi un tel écart ? Parce qu'un modèle peut être très performant sur des images proches de celles qu'il connaît, puis beaucoup moins robuste quand les conditions changent : angle de vue, lumière, densité du peloton, arrière-plan, qualité d'image.

1Entraînement — le modèle apprend

C'est sur ces images que le modèle construit sa « connaissance ». Il peut finir par les connaître par cœur — ce qui ne dit rien de sa valeur réelle.

2Validation — on ajuste les réglages

Ces images servent à piloter l'apprentissage et à choisir la meilleure version du modèle. Elles influencent donc, indirectement, ce qu'il devient.

3Test — la seule mesure honnête

Jamais vues pendant l'apprentissage, ni pour les réglages. C'est la seule estimation fiable de ce que vaudra le modèle sur le terrain, face à des situations nouvelles.

Le jeu de test mesure non pas ce que le modèle a appris par cœur, mais sa capacité à généraliser. C'est la différence entre une démo et un outil fiable — et c'est une question à poser à quiconque vous présente un modèle : « et sur le jeu de test, ça donne quoi ? »

Votre peloton défile peut-être déjà devant une caméra

Un jeu de données public, un ordinateur portable et moins d'une heure : entraîner un modèle spécialisé n'est plus réservé aux laboratoires. Mais obtenir un modèle réellement fiable sur le terrain — celui qui tiendra face aux changements de lumière, d'angle et de contexte — reste tout le défi. C'est exactement là que se joue la différence entre un prototype enthousiasmant et un outil de production.

Votre peloton à vous — clients, chariots, véhicules ou pièces industrielles — défile peut-être déjà devant une caméra. La méthode pour le compter, l'identifier et le chronométrer existe. Et elle tient sur un ordinateur portable.

Cet article est adapté d'un de mes posts LinkedIn — suivez-moi sur LinkedIn pour ces contenus en avant-première.