{"id":13875,"date":"2025-04-17T22:10:00","date_gmt":"2025-04-17T12:10:00","guid":{"rendered":"https:\/\/digifort.global\/non-categorise\/analyse-des-avantages-en-termes-de-rapport-cout-performance-des-technologies-danalyse-des-images-de-videosurveillance\/"},"modified":"2026-06-18T08:42:42","modified_gmt":"2026-06-17T22:42:42","slug":"analyse-des-avantages-en-termes-de-rapport-cout-performance-des-technologies-danalyse-des-images-de-videosurveillance","status":"publish","type":"post","link":"https:\/\/digifort.global\/fr\/blog\/analyse-des-avantages-en-termes-de-rapport-cout-performance-des-technologies-danalyse-des-images-de-videosurveillance\/","title":{"rendered":"Analyse des avantages en termes de rapport co\u00fbt-performance des technologies d’analyse des images de vid\u00e9osurveillance"},"content":{"rendered":"\n
<\/div>\n\n

Il existe trois grands types de technologies d’analyse vid\u00e9o disponibles dans les solutions de vid\u00e9osurveillance bas\u00e9es sur serveur, les syst\u00e8mes de gestion vid\u00e9o (VMS) et les syst\u00e8mes de vid\u00e9osurveillance (CCTV).<\/p>\n\n

<\/div>\n\n
\"\"<\/figure>\n\n
<\/div>\n\n

Par ordre de pr\u00e9cision et de performances, on trouve tout d\u2019abord l\u2019analyse neuronale ; puis l\u2019analyse par apprentissage profond et intelligence artificielle (DL et IA) ; et enfin les objets binaires volumineux, ou BLOB.<\/p>\n\n

Digifort prend en charge ces trois types de solutions et s’int\u00e8gre aux outils d’analyse des NVR tiers, aux bo\u00eetiers d’analyse \u00ab tout-en-un \u00bb et aux cam\u00e9ras. Nous avons donc demand\u00e9 \u00e0 Nick Bowden, directeur g\u00e9n\u00e9ral de Digifort UK, de nous pr\u00e9senter les avantages de ces solutions en termes de rapport qualit\u00e9-prix. <\/p>\n\n

L’option d’analyse la plus pr\u00e9cise et la plus performante est celle bas\u00e9e sur les r\u00e9seaux neuronaux. C’est toutefois l’option la plus co\u00fbteuse \u00e0 mettre en \u0153uvre, car le logiciel est plus on\u00e9reux et n\u00e9cessite du mat\u00e9riel hautement performant pour fonctionner. Les autres options d’analyse sont peut-\u00eatre moins performantes, mais elles conviennent parfaitement \u00e0 de nombreuses applications de vid\u00e9osurveillance, o\u00f9 les budgets sont plus serr\u00e9s. <\/p>\n\n

Digifort est un partenaire technologique de Nvidia. Son logiciel d\u2019analyse est optimis\u00e9 pour fonctionner sur les processeurs graphiques (GPU) de Nvidia. Ceux-ci sont int\u00e9gr\u00e9s \u00e0 un serveur aux c\u00f4t\u00e9s du processeur du syst\u00e8me d\u2019exploitation (OS). Les \u00ab performances \u00bb d\u2019un serveur VA se mesurent en c\u0153urs CUDA, ce qui est comparable \u00e0 la puissance au frein (BHP) des voitures. Les GPU dot\u00e9s de 4 000 c\u0153urs CUDA ou plus sont courants et abordables. Ce \u00ab budget \u00bb de performances GPU est r\u00e9parti entre plusieurs canaux d\u2019analyse, et les fonctionnalit\u00e9s d\u2019analyse sont allou\u00e9es aux canaux vid\u00e9o requis \u2013 avec la possibilit\u00e9 de les r\u00e9affecter \u00e0 d\u2019autres canaux vid\u00e9o du syst\u00e8me, si n\u00e9cessaire. Les NVR, les solutions d\u2019analyse en bo\u00eetier et les cam\u00e9ras dot\u00e9es d\u2019une analyse int\u00e9gr\u00e9e ne disposent tout simplement pas de cette \u00ab puissance \u00bb de performance ni de cette flexibilit\u00e9 de d\u00e9ploiement du syst\u00e8me. Les cartes GPU \u00e9voluent rapidement, avec des performances de traitement qui doublent chaque ann\u00e9e, pour un co\u00fbt identique. Nous pouvons donc nous attendre \u00e0 b\u00e9n\u00e9ficier \u00e0 l\u2019avenir d\u2019am\u00e9liorations de performances encore plus importantes et de r\u00e9ductions de co\u00fbts consid\u00e9rables dans les syst\u00e8mes de vid\u00e9osurveillance bas\u00e9s sur serveur. De plus, le fait de consacrer les c\u0153urs du GPU \u00e0 l\u2019analyse et les c\u0153urs du serveur au syst\u00e8me d\u2019exploitation et au traitement vid\u00e9o constitue une bonne pratique pour optimiser les performances du serveur, car chacun acc\u00e8de diff\u00e9remment \u00e0 ses ressources processeur respectives. <\/p>\n\n

<\/div>\n\n

1. Analyse neuronale<\/strong><\/h3>\n\n

L’analyse neuronale est une technologie relativement r\u00e9cente dans le domaine de la vid\u00e9osurveillance grand public. \u00c0 l’instar de la reconnaissance faciale, de nombreux objets diff\u00e9rents pr\u00e9sents dans le champ de vision d’une cam\u00e9ra sont identifi\u00e9s \u00e0 partir d’une base de donn\u00e9es d’objets connus ; de nouveaux objets sp\u00e9cifiques sont \u00ab introduits \u00bb dans le syst\u00e8me, tandis que d’autres sont appris par celui-ci au fil du temps. Des r\u00e8gles peuvent \u00eatre appliqu\u00e9es \u00e0 des objets individuels ou \u00e0 des combinaisons d\u2019objets, d\u00e9clenchant des alarmes ou des \u00e9v\u00e9nements en temps r\u00e9el afin de susciter une intervention de l\u2019op\u00e9rateur. Digifort propose trois r\u00e9seaux neuronaux au choix : <\/p>\n\n

    \n
  • Des \u00ab objets g\u00e9n\u00e9raux \u00bb tels que les v\u00e9hicules et les \u00eatres humains.<\/li>\n\n\n\n
  • Crime, pour l’identification d’armes, la position et les mouvements suspects des bras (comme le fait de pointer une arme).<\/li>\n\n\n\n
  • Usine : pour identifier les personnes portant un casque, un masque, des lunettes de protection et des EPI.<\/li>\n<\/ul>\n\n

    L’analyse neuronale se pr\u00eate particuli\u00e8rement bien aux applications de type \u00ab d\u00e9tection de pr\u00e9sence \u00bb, telles que le comptage du nombre de voitures dans un parking ou de personnes dans une file d’attente. Elle reconna\u00eet les objets \u00ab visibles \u00bb dans le champ de vision de la cam\u00e9ra, ou dans une zone donn\u00e9e, et les compte. Les donn\u00e9es provenant de plusieurs zones, capt\u00e9es par une ou plusieurs cam\u00e9ras, peuvent \u00eatre agr\u00e9g\u00e9es pour obtenir un d\u00e9compte global du site. Les arri\u00e8re-plans de la sc\u00e8ne sont ignor\u00e9s, car ils ne constituent pas des objets reconnaissables, ce qui r\u00e9duit les fausses alarmes. <\/p>\n\n

    <\/div>\n\n
    \"\"<\/figure>\n\n
    <\/div>\n\n

    2. Apprentissage profond et intelligence artificielle (AP et IA)<\/strong><\/h3>\n\n

    Les analyses bas\u00e9es sur l’apprentissage profond (DL) et l’intelligence artificielle (IA) peuvent \u00e9galement comporter une composante neuronale et reconnaissent le plus souvent des personnes, des fourgonnettes, des v\u00e9los, des voitures, des camions, des groupes de personnes, des sacs, des cyclistes et bien d’autres \u00e9l\u00e9ments, y compris selon un profil de couleur sp\u00e9cifique. Au fur et \u00e0 mesure que la sc\u00e8ne film\u00e9e par la cam\u00e9ra est \u00ab apprise \u00bb, l\u2019analyse par apprentissage profond et IA s\u2019auto-calibre pour m\u00e9moriser les arri\u00e8re-plans de la sc\u00e8ne, r\u00e9duisant ainsi au minimum les fausses alarmes. De nombreuses r\u00e8gles peuvent \u00eatre appliqu\u00e9es individuellement ou simultan\u00e9ment, telles que la pr\u00e9sence, l\u2019entr\u00e9e, la sortie, l\u2019apparition ou la disparition d\u2019un objet ; la direction ; les filtres de talonnage ; le franchissement d\u2019une ligne ; ainsi que les objets \u00e0 l\u2019arr\u00eat, en attente, abandonn\u00e9s ou retir\u00e9s. L\u2019analyse de Digifort utilise \u00e9galement un cadre de rapports bas\u00e9 sur les m\u00e9tadonn\u00e9es qui permet d\u2019effectuer des recherches approfondies dans les vid\u00e9os enregistr\u00e9es pour identifier diff\u00e9rents objets par rapport aux param\u00e8tres d\u2019origine. <\/p>\n\n

    De nombreux enregistreurs vid\u00e9o r\u00e9seau (NVR), solutions d’analyse en bo\u00eetier et cam\u00e9ras int\u00e9gr\u00e9es utilisent des variantes de ce type d’analyse, g\u00e9n\u00e9ralement sans composante neuronale, mais elles manquent souvent de la puissance de traitement n\u00e9cessaire pour exploiter pleinement leur potentiel, car il n’est ni pratique ni rentable d’int\u00e9grer des GPU Nvidia dans les NVR.<\/p>\n\n

    <\/div>\n\n

    3. Objet binaire volumineux \/ BLOB<\/strong><\/h3>\n\n

    Il s’agit du niveau le plus \u00e9l\u00e9mentaire d’analyse, qui consiste \u00e0 reconna\u00eetre la taille d’un objet (nombre de pixels) et son comportement \u00e0 partir de la d\u00e9tection de mouvement et de quelques analyses simples, telles que le franchissement d’une ligne. De nombreux enregistreurs vid\u00e9o r\u00e9seau (NVR) utilisent ce type d’analyse. Il s’agit d’une option peu co\u00fbteuse, id\u00e9ale pour d\u00e9clencher l’enregistrement de mouvements ou d’\u00e9v\u00e9nements dans un syst\u00e8me de gestion vid\u00e9o (VMS), afin de r\u00e9duire l’espace de stockage n\u00e9cessaire. <\/p>\n\n

    <\/div>\n\n

    Performances analytiques et surcharge mat\u00e9rielle<\/strong><\/h3>\n\n

    Neural Analytics utilise des flux vid\u00e9o D1 (720 \u00d7 576 pixels) pour le traitement, m\u00eame si le flux \u00ab \u00e0 valeur probante \u00bb enregistr\u00e9 dans le VMS est en 4 MP, 8 MP ou plus. Certains types d\u2019analyses tr\u00e8s sp\u00e9cifiques utilisent la r\u00e9solution 1080p (1 920 x 1 080 pixels), g\u00e9n\u00e9ralement lors de l\u2019analyse des comportements humains. \u00c0 titre indicatif, un GPU de 3 000 c\u0153urs co\u00fbtant moins de 500 \u00a3 traite g\u00e9n\u00e9ralement environ 40 canaux neuronaux. <\/p>\n\n

    Petit avertissement : certaines solutions d’analyse pr\u00eates \u00e0 l’emploi n’enregistrent que le flux de traitement analytique, qui peut \u00eatre en D1 ou \u00e0 une r\u00e9solution inf\u00e9rieure, sans flux HR simultan\u00e9 \u00e0 titre d’Evidence. Cela signifie que la vid\u00e9o d’analyse peut souvent \u00eatre enregistr\u00e9e en basse r\u00e9solution ; veillez donc \u00e0 v\u00e9rifier ce point si vous optez pour une solution d’analyse pr\u00eate \u00e0 l’emploi. <\/p>\n\n

    Chaque type d’analyse a sa place, d\u00e8s lors que l’on tient compte des co\u00fbts et des performances. Cependant, l’analyse neuronale surpasse toutes les autres en termes de pr\u00e9cision et de capacit\u00e9s ; son co\u00fbt de d\u00e9ploiement diminue \u00e0 mesure que les prix des serveurs et des GPU baissent ; et elle est \u00e9volutive, ce qui permet des mises \u00e0 niveau des GPU ainsi que des performances et de la pr\u00e9cision, en phase avec le d\u00e9veloppement continu des logiciels d’analyse neuronale. <\/p>\n","protected":false},"excerpt":{"rendered":"

    Il existe trois grands types de technologies d’analyse vid\u00e9o disponibles dans les solutions de vid\u00e9osurveillance bas\u00e9es sur serveur, les syst\u00e8mes de gestion vid\u00e9o (VMS) et les syst\u00e8mes de vid\u00e9osurveillance (CCTV). Par ordre de pr\u00e9cision et de performances, on trouve tout d\u2019abord l\u2019analyse neuronale ; puis l\u2019analyse par apprentissage profond et intelligence artificielle (DL et IA) […]<\/p>\n","protected":false},"author":5,"featured_media":13876,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_angie_page":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"page_builder":"","_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[185,186],"tags":[],"class_list":["post-13875","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","category-articles"],"jetpack_featured_media_url":"https:\/\/digifort.global\/wp-content\/uploads\/2026\/06\/CCTV-ANALYTICS.png","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/posts\/13875","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/comments?post=13875"}],"version-history":[{"count":2,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/posts\/13875\/revisions"}],"predecessor-version":[{"id":13939,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/posts\/13875\/revisions\/13939"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/media\/13876"}],"wp:attachment":[{"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/media?parent=13875"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/categories?post=13875"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/digifort.global\/fr\/wp-json\/wp\/v2\/tags?post=13875"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}