Tri photo par IA : classement ou sélection ?

La sélection assistée par IA cherche les images à conserver ; le classement détermine où ranger les images utiles. Une équipe a souvent besoin des deux, mais ils répondent à des questions différentes. La sélection peut signaler flou, yeux fermés ou doublons. Le classement peut réunir les photos par participant, couple, heure, boîtier ou catégorie. Aucune étape ne suffit à publier une galerie correcte.

Employer « tri photo » pour tout le processus conduit à choisir un outil sur le mauvais critère. Une image nette peut être rattachée à la mauvaise personne. Une image correctement classée peut être redondante ou peu flatteuse. La qualité d’une photo et sa destination sont deux décisions distinctes.

Les quatre tâches cachées derrière le mot tri

Les logiciels emploient un vocabulaire variable. Il faut donc commencer par nommer le résultat attendu.

Tâche	Question principale	Sortie habituelle	Limite importante
Sélection	Quelles vues semblent préférables ?	À garder, à écarter ou classement de qualité	Le goût et le contexte de livraison restent à décider
Organisation	Où le fichier appartient-il dans le processus ?	Métadonnées d’événement, session ou boîtier	Les métadonnées peuvent être incomplètes
Regroupement	Quelles images pourraient montrer la même personne ?	Groupes candidats ou voisins visuels	Une ressemblance ne prouve pas l’identité
Diffusion	Quelles images validées le client peut-il voir ou acheter ?	Galerie publiée ou sélection de commande	Accès et commerce sont des contrôles séparés

La retouche constitue encore une autre tâche. Corriger l’exposition, les couleurs ou le cadrage transforme l’apparence du fichier ; cela ne détermine pas la galerie du participant.

Lorsqu’un produit annonce un « tri IA », demandez dans quelle ligne du tableau il se place. S’il en couvre plusieurs, faites démontrer le passage de l’une à l’autre.

Ce que la sélection peut apporter

Un outil de sélection recherche souvent :

• un flou manifeste ou un bougé ;
• des yeux fermés ou une expression peu favorable lorsqu’un visage est visible ;
• des doublons et quasi-doublons ;
• une exposition problématique ;
• la meilleure composition supposée dans une rafale ;
• les notes et choix déjà posés par le photographe.

Ces indices peuvent réduire le nombre d’images à examiner, sans devenir un jugement universel. Le mouvement peut être volontaire. Deux vues proches peuvent être nécessaires pour deux danseurs différents. Une photo techniquement imparfaite peut être le seul souvenir d’un passage important.

Une proposition de rejet doit rester réversible. L’original ne doit pas disparaître sur un seul signalement. Le photographe doit pouvoir comparer les images voisines et connaître le motif.

Les contraintes du métier modifient aussi l’évaluation. En danse, un système qui favorise les visages bien visibles pourrait placer une transition statique devant une posture plus forte prise de profil. Le bon choix dépend du style de l’auteur et de la promesse faite au client.

Ce que le regroupement par personne peut apporter

Le regroupement cherche à transformer un grand ensemble en groupes candidats plus simples à vérifier. Plusieurs indices peuvent y contribuer :

• une liste de danseurs ou de couples ;
• un dossard visible ;
• l’heure, le passage, la piste ou le boîtier ;
• une ressemblance faciale, lorsqu’elle est appropriée et licite ;
• une ressemblance d’apparence corporelle ;
• des confirmations humaines antérieures.

Un modèle d’apparence représente généralement le recadrage d’une personne par un vecteur, puis recherche les recadrages visuellement proches. Il produit un classement, pas un nom ni une déclaration d’identité. Costumes similaires, occultation, angle de vue ou changement de tenue peuvent créer de mauvais voisins ou plusieurs groupes pour la même personne.

Le guide français de l’API de ré-identification explique cette frontière. Pour les compétitions, le guide classer les photos par numéro de dossard montre comment lecture automatique et liste des participants peuvent compléter la revue sans la remplacer.

Choisir consciemment l’ordre des opérations

Il n’existe pas une seule séquence valable partout, mais l’équipe doit savoir laquelle elle applique.

Option A : sécuriser, regrouper, puis sélectionner

1. vérifier l’intégrité des fichiers et le bon événement ;
2. générer des aperçus sans toucher aux originaux ;
3. proposer des groupes à partir du contexte disponible ;
4. corriger les fusions et affectations incertaines ;
5. sélectionner les meilleures vues dans chaque groupe confirmé ;
6. publier les choix approuvés.

Cette méthode protège la couverture. Avant d’écarter une vue imparfaite, le photographe sait si elle est la seule image disponible pour un participant.

Option B : sélection prudente, puis regroupement

1. sécuriser l’import ;
2. isoler uniquement les fichiers illisibles et doublons exacts ;
3. conserver toutes les images discutables ;
4. regrouper le reste ;
5. effectuer une sélection tenant compte de chaque participant ;
6. vérifier et publier.

Cette variante peut réduire le volume à traiter, mais une sélection initiale trop agressive fait perdre du contexte. Elle n’est maîtrisée que si le premier passage reste conservateur et réversible.

Le workflow complet de photographie d’une compétition replace ces deux méthodes dans la prise de vue, l’import et la publication.

Ne pas transformer un score de qualité en score d’identité

Additionner des nombres sans expliquer leur sens constitue une erreur fréquente. Netteté, visibilité du visage, confiance de lecture du dossard et proximité d’apparence mesurent des propriétés différentes. Leur combinaison peut créer un ordre pratique, mais pas une probabilité universelle.

Conservez la nature de chaque indice :

• « flou probable » concerne la qualité ;
• « chiffres lus : 128 » décrit une observation ;
• « proche visuellement du groupe A » décrit une similarité ;
• « pris pendant le passage 14 » apporte du contexte ;
• « validé par l’opératrice » enregistre une action humaine.

Ces formulations permettent de corriger une erreur. À l’inverse, « correspondance à 96 % » peut dissimuler un mauvais numéro, un costume proche ou un recadrage inadéquat.

Construire des files de vérification séparées

Les erreurs de sélection et de regroupement ne se corrigent pas dans le même écran.

Une file de sélection compare les rafales, montre l’image entière et conserve les notes du photographe. Elle propose garder, écarter et indécis.

Une file de regroupement compare les participants, montre le contexte et permet confirmer, refuser, séparer, fusionner ou laisser non résolu. « Aucun des groupes proposés » doit rester possible.

Une file de publication contrôle l’accès, les tarifs, les filigranes, le caractère approprié de l’image et le fichier de livraison. Sa validation ne devrait pas effacer les indices techniques ou les décisions de regroupement.

La séparation facilite aussi les droits. Une éditrice peut choisir la meilleure vue sans pouvoir publier. Une responsable événement peut corriger la liste sans modifier les originaux.

Évaluer chaque tâche avec ses propres réponses

Préparez un échantillon représentatif et annotez-le séparément :

• sélection : préféré, acceptable, rejet et ambigu ;
• regroupement : même personne, personne différente et non résolu ;
• organisation : bon événement et bonne session ;
• publication : public, privé, bloqué ou à approuver.

Mesurez ensuite les corrections nécessaires dans chaque file. Un produit peut bien détecter les doublons et mal réunir les participants, ou l’inverse. Un seul chiffre ne peut pas résumer ces comportements.

Le guide de choix d’un logiciel de tri événementiel ajoute fiabilité, export et coût d’exploitation à cette évaluation. Pour PolyReID, consultez sa présentation publique et vérifiez les fonctions actuellement proposées : cet article définit des catégories de travail, il ne garantit pas qu’un seul produit prenne en charge toutes les étapes.

Adopter un vocabulaire partagé

Quelques états suffisent à éviter beaucoup de malentendus :

• importé : le fichier est arrivé et son intégrité a été contrôlée ;
• sélectionné : un choix de qualité a été proposé ou confirmé ;
• classé : une relation avec une personne ou un contexte existe ;
• vérifié : une personne autorisée a traité les contrôles requis ;
• publié : le fichier est visible selon des règles d’accès définies ;
• livré : une version précise du fichier a atteint le client.

Une fois ces états séparés, l’automatisation devient plus facile à contrôler. L’IA peut assister plusieurs transitions, sans les écraser dans un mystérieux statut « terminé ».