Sécurité routière : L’IA embarquée veut automatiser la détection du non-port de la ceinture

Une étude publiée dans la revue Sustainability explore l’utilisation de l’intelligence artificielle en périphérie, ou Edge AI, pour détecter automatiquement les conducteurs ne portant pas leur ceinture de sécurité. Les chercheurs ont comparé 23 variantes de modèles YOLO et testé leur fonctionnement sur une plateforme NVIDIA Jetson Orin Nano. Les résultats montrent qu’un dispositif compact et peu énergivore peut traiter des images en temps réel, mais ils soulignent aussi les limites qui séparent encore l’expérimentation d’un déploiement routier à grande échelle.

L’intelligence artificielle poursuit son avancée dans le domaine de la sécurité routière. Après la lecture automatisée des plaques d’immatriculation, la détection de vitesse ou l’analyse des flux de circulation, les systèmes de vision informatique s’attaquent désormais à un comportement beaucoup plus difficile à identifier à distance, le port de la ceinture de sécurité.

Une équipe de chercheurs a développé un dispositif capable de distinguer automatiquement, à partir d’images de surveillance routière, un conducteur attaché d’un conducteur sans ceinture. L’intérêt du projet tient moins à la seule reconnaissance visuelle qu’à sa recherche d’un compromis entre précision, vitesse de traitement et consommation énergétique.

L’étude, publiée le 4 septembre 2026, repose sur les architectures YOLO, largement utilisées pour la détection d’objets en temps réel. Les chercheurs ont testé 23 variantes appartenant à six générations différentes, de YOLOv8 à YOLO26.

Plus de 6 500 images pour apprendre à reconnaître la ceinture

Le travail a commencé par la constitution d’une base de 6 594 images annotées issues de douze véhicules différents. Plusieurs carrosseries, couleurs de vêtements, positions de conduite et conditions de luminosité ont été intégrées afin de compliquer volontairement la tâche de l’algorithme.

Les chercheurs ont notamment conservé des situations délicates. Vêtements sombres dans un habitacle sombre, reflets sur le pare-brise, positions des mains masquant partiellement le torse ou encore vêtements rayés susceptibles d’être confondus avec une ceinture font partie des cas étudiés.

Après augmentation des données utilisées pour l’apprentissage, l’ensemble atteint 8 106 images. Les deux catégories sont presque équilibrées, avec 4 097 images associées au port de la ceinture et 4 009 à son absence.

Un choix méthodologique est particulièrement important. Les véhicules utilisés pour le test final n’apparaissent ni dans les données d’apprentissage ni dans celles de validation. L’objectif est d’éviter qu’un modèle obtienne de bons résultats simplement parce qu’il a déjà mémorisé certaines caractéristiques du véhicule, de son habitacle ou du conducteur.

Cette précaution rend l’évaluation plus exigeante. Sur trois véhicules entièrement inconnus du système, les meilleurs modèles atteignent jusqu’à 56,1 % de mAP entre les seuils d’IoU de 0,5 à 0,95. Cette métrique, courante en vision informatique, mesure conjointement la qualité de détection et la précision de localisation. Elle ne doit donc pas être confondue avec un simple taux de bonnes réponses.

Les plus gros modèles ne sont pas forcément les plus intéressants

L’un des enseignements les plus intéressants concerne la course à la puissance informatique. Sur l’ensemble de validation, YOLO26l obtient le meilleur résultat avec une mAP comprise entre 0,5 et 0,95 de 63,5 %, ainsi qu’une mAP à 0,5 de 94,4 %.

Mais l’écart avec certaines architectures beaucoup plus légères reste limité.

YOLOv8n, par exemple, atteint 62,4 % sur la métrique la plus stricte alors qu’il ne compte qu’environ 3 millions de paramètres, contre plus de 26 millions pour YOLO26l. Le coût de calcul passe dans le même temps de 8,1 GFLOPs à 86,5 GFLOPs.

Les chercheurs constatent ainsi qu’une hausse considérable de la puissance de calcul n’entraîne pas nécessairement un gain proportionnel de précision. En moyenne, passer de la catégorie nano aux modèles de grande taille multiplie fortement les besoins de calcul pour un bénéfice inférieur à un point de pourcentage sur la mAP la plus exigeante.

Ce résultat est central pour les équipements routiers. Une caméra intelligente installée en bord de chaussée n’a pas vocation à disposer de la puissance électrique et informatique d’un centre de données. Le coût matériel, la consommation, la dissipation thermique et la capacité à fonctionner en continu deviennent aussi importants que la performance brute du modèle.

Jusqu’à 94 images par seconde sur un calculateur compact

C’est précisément sur ce terrain que l’étude apporte son deuxième enseignement. Les meilleurs algorithmes ont été déployés sur un NVIDIA Jetson Orin Nano de 8 Go, une plateforme de calcul destinée aux applications d’intelligence artificielle embarquée.

En optimisant les modèles avec TensorRT et des calculs en précision FP16, la configuration la plus efficace atteint 94,4 images par seconde pour une consommation mesurée de 6,40 watts durant l’inférence.

Cette performance laisse entrevoir des systèmes capables d’analyser localement un flux vidéo sans transmettre en permanence les images vers une infrastructure distante. Le traitement en périphérie peut ainsi réduire la latence, la bande passante nécessaire et la dépendance à une connexion réseau permanente.

Pour les gestionnaires d’infrastructures routières, la perspective est importante. Un même principe pourrait à terme servir à surveiller plusieurs comportements à risque et à produire des événements numériques exploitables par les systèmes de gestion du trafic.

Il reste toutefois un pas important avant d’envisager une automatisation généralisée. Les images de l’étude ont été acquises dans des conditions relativement contrôlées, avec une circulation limitée, des véhicules roulant autour de 20 km/h et des prises de vue réalisées en journée ou en début de soirée. La conduite nocturne, les intempéries et les vitesses élevées ne font pas encore partie du champ d’évaluation.

L’étude démontre donc surtout une faisabilité technique. Elle montre qu’un modèle relativement léger peut détecter le port de la ceinture en temps réel avec une consommation électrique réduite. La prochaine étape sera plus exigeante encore. Il faudra vérifier si cette efficacité résiste à la diversité, à l’imprévisibilité et aux contraintes d’une circulation réelle à grande échelle.