Chargez le modèle puis sélectionnez une vidéo, une image ou activez la webcam.
📊 Timeline des apparitions
Cumul
Détections totales. Cliquez sur un nom pour renommer.
Aucune analyse en cours.
Frame courante
—
Chargez le modèle puis sélectionnez une vidéo, une image ou activez la webcam.
Détections totales. Cliquez sur un nom pour renommer.
Aucune analyse en cours.
—
COCO-SSD MobileNet v2 : CNN pré-entraîné sur 80 classes. Le décodage utilise le non-max suppression appliqué sur GPU par TF.js. Chaque frame retourne bbox + classe + score.
TinyFaceDetector est un CNN spécifique (~0.4 MB) : dernier layer prédit directement les bounding boxes des visages sur une pyramide multi-échelle. Rapide même sur mobile.
FaceRecognitionNet (port ResNet-34 de dlib) sort un embedding 128-d par visage. Distance L2 entre embeddings mesure la similarité. Un clustering incrémental crée les groupes en direct : chaque nouveau visage rejoint le cluster le plus proche (si < seuil) ou crée le sien. L'embedding du cluster s'affine par moyenne mobile.
MoveNet Lightning (Google) : détecte 17 keypoints du corps (yeux, épaules, coudes, poignets, hanches, genoux, chevilles) en temps réel. Analyse simple pour classer debout / assis / bras levés à partir des positions relatives.
La timeline enregistre le comptage par entité au fil du temps → sparkline visualisant l'apparition dans le récit. La heatmap accumule les centres des bounding boxes dans un canvas séparé, révélant les zones de concentration visuelle.
Approche classique non-DL : différence d'histogramme couleur entre frames consécutives. Un pic net = coupe/transition. Segmente automatiquement le rapport final par scène.
Génère en direct une description en français des détections dominantes : « Une personne, un chien et une voiture visibles ». Utile pour l'accessibilité et pour créer un descriptif textuel exportable.
TF.js auto-détecte le meilleur backend : WebGPU (Chrome 113+) ou WebGL selon disponibilité, avec fallback CPU. Le badge en haut affiche le backend actif — WebGPU peut multiplier x2-5 la vitesse d'inférence sur les GPU récents.
Charger le modèle CLIP (OpenAI) permet de rechercher dans la vidéo par description textuelle : « trouve les frames où il y a un chien qui court ». Modèle lourd (~150 MB) → à isoler dans un chargement optionnel avec avertissement de bande passante.
Les modèles TF.js pré-entraînés sont majoritairement float32. Une quantization int8 avec tfjs-converter divise la taille par 4 (~2 % de précision perdue). Idéal pour du déploiement mobile ou bandes passantes contraintes.
Charger deux détecteurs en parallèle (COCO-SSD vs YOLOv8-tiny via ONNX Runtime Web) et afficher les différences côte à côte. Excellent support de discussion technique en entretien.