Alternatives à Deepness : 5 façons de faire du deep learning sur des images dans QGIS

Deepness exécute un modèle de deep learning sur un raster dans , tuile par tuile, sur votre propre machine. Il est gratuit, sous licence Apache 2.0, et rien de ce que vous chargez ne quitte votre ordinateur. Il n'a pas non plus de sélecteur de modèles. Vous fournissez vous-même le fichier ONNX. Vous ouvrez une page de documentation, cliquez sur un lien, téléchargez le fichier manuellement depuis un dossier Nextcloud universitaire, puis le sélectionnez dans le plugin. Les utilisateurs commencent à chercher autre chose lorsqu'ils n'ont pas ce fichier, ou lorsque l'installation des dépendances échoue sur leur ordinateur portable.

Les cinq outils ci-dessous couvrent le même besoin sous un angle différent. Chacun est lié, et chacun répond aux mêmes questions : qu'est-ce qui s'installe, de quel matériel il a besoin, si l'imagerie quitte votre machine, ce qui entre, ce qui sort et dans quels cas il échoue.

Nous développons l'un des six plugins présentés ici, AI Segmentation. Le nôtre répond aux mêmes questions que les autres, y compris celle concernant ses propres limites.

Ce qu'est réellement Deepness

Deepness charge un réseau neuronal ONNX et le fait glisser sur un raster en tuiles qui se chevauchent, puis réécrit le résultat dans votre projet sous forme de layer. Il couvre la segmentation, la détection d'objets, la régression et la super-résolution, et vous permet de définir vous-même la taille des tuiles, le chevauchement et le post-traitement.

Le panneau du modèle est une zone de texte et un bouton Browse. Pas de liste, pas de bouton de téléchargement, pas de galerie dans QGIS. Vous saisissez vous-même la résolution spatiale, en centimètres par pixel. Le résultat est un layer mémoire, que vous enregistrez vous-même sur le disque une fois qu'il vous convient.

Vous pouvez lui fournir tout ce que QGIS sait afficher : une orthophoto stockée sur le disque ou un layer provenant d'un fournisseur en ligne comme Google Satellite. Il existe également un outil d'export des données d'entraînement qui découpe un raster et un masque en petites tuiles. C'est la fonctionnalité que les utilisateurs oublient souvent.

Rien ne quitte votre machine. Pas de compte, pas de clé API, pas d'appel réseau pendant l'exécution du modèle. Quelqu'un a lu le code source du plugin le 23 août 2026 et a trouvé chaque URL du code à l'intérieur d'un commentaire. La seule requête sortante effectuée par Deepness est le pip install du premier démarrage. Si vous travaillez sur des images de clients, des images de défense ou toute donnée nécessitant la validation d'un responsable des achats, cela règle la question, et c'est le point où Deepness surpasse tous les outils hébergés ci-dessous, y compris le nôtre.

Deepness ne fournit aucune capacité de détection en propre. C'est un exécuteur, et c'est à vous d'apporter le modèle. La licence est Apache 2.0, et l'équipe qui le développe a publié le plugin dans SoftwareX, DOI 10.1016/j.softx.2023.101495.

Là où les utilisateurs restent bloqués

Le model zoo est une page de liens. Il listait 24 modèles le 23 août 2026 : 9 pour la segmentation, 6 pour la détection d'objets, 8 pour la super-résolution, 1 pour la reconnaissance et aucun pour la régression. Quinze d'entre eux se trouvent dans un dossier Nextcloud de Poznan University, un chez Fraunhofer, huit dans les releases GitHub, et tous nécessitent un téléchargement manuel. Leurs résolutions d'entraînement vont de 0,5 cm par pixel à 1000. Si vous volez à 20 cm, environ deux des seize modèles de tâches vous correspondent. Il n'existe pas de modèle mondial pour les bâtiments ni de modèle mondial pour la végétation. Les deux options pour les bâtiments sont un modèle RampDataset à 40 cm par pixel et un modèle de couverture du sol dont la propre page indique que "the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world".

Vous saisissez la résolution, et rien ne la vérifie. La zone accepte les centimètres par pixel, le plugin fait confiance à votre valeur et ne la compare jamais au layer. Une valeur incorrecte produit Exception: Unsupported layer units ou ValueError: cannot convert float NaN to integer, avec la traceback dans la console Python que la plupart des utilisateurs de QGIS n'ouvrent jamais. Dans l'issue #183, un mainteneur a écrit que "it is worth adding a sanity check to the code to create a meaningful error message". Au 23 août 2026, le contrôle n'est toujours pas présent dans le code. L'échec silencieux coûte plus cher que le plantage. Dans la discussion #176, un utilisateur n'a absolument rien trouvé jusqu'à ce que, selon ses propres mots, "i lied to the plugin and said that the pixels are 10cm".

Un utilisateur a mesuré la vitesse. Dans l'issue #192, ouverte depuis le 15 novembre 2024, un utilisateur a exécuté un modèle du zoo sur une tuile orthophoto de 5000 par 5000 pixels à 20 cm, avec un Ryzen 7 5800X et une GTX 1660 Ti. Le CPU a pris 80 minutes. La même tuile sur la carte graphique a pris 61 secondes. Une machine, un modèle, une tuile. Prenez donc cela comme sa mesure, et non comme un benchmark. Cela reste toutefois la réponse publiée la plus proche de la question : "puis-je faire cela sur l'ordinateur portable du bureau ?"

Le CPU fonctionne, et CUDA est une histoire Linux. Une machine sans carte graphique exécute Deepness, car ONNX Runtime bascule automatiquement sur le CPU. L'installateur ne récupère la version GPU que sous Linux. Sous Windows et macOS, il installe onnxruntime standard. Le mainteneur l'a écrit dans cette même issue #192 : "On windows we did not manage to run it with GPU, and it is more complicated, so Deepness installs only the onnxruntime instead of onnxruntime-gpu."

L'installation des dépendances est le mur habituel. Deepness installe OpenCV et ONNX Runtime avec pip la première fois que vous l'ouvrez. macOS échoue depuis l'issue #54 du 20 octobre 2022, et #209 est toujours ouverte sur Sequoia, le mainteneur répondant "Unfortunately, we do not have macos to test on." Sur QGIS 3.44, #235 signale A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, car le plugin impose toujours numpy<2.0.0 alors que cette version de QGIS fournit NumPy 2.4.3. Derrière un proxy d'entreprise, #197 s'arrête sur certificate verify failed: self-signed certificate in certificate chain, puis ERROR: No matching distribution found for opencv-python. Quand cela a fonctionné pour moi, l'installation a pris environ vingt minutes. Elle a échoué dès ma première tentative, à la fois sur un Mac et sur une machine Windows.

Il n'y a pas de bouton d'annulation. L'issue #230, ouverte le 14 janvier 2026, est toujours ouverte. Une fois l'exécution lancée, vous attendez.

La documentation et le plugin sont deux choses différentes. Le site de documentation est construit depuis une branche qui n'a jamais été publiée. Le plugin que vous installez depuis la marketplace QGIS est en version 0.6.5, téléversée le 10 décembre 2024.

Rien de tout cela ne fait de Deepness un mauvais outil. Cela en fait un outil destiné à quelqu'un qui possède déjà un modèle entraîné et un environnement Python qui fonctionne correctement.

Les alternatives

1. Deepness, la référence

• Installation. Gestionnaire de plugins, puis OpenCV et ONNX Runtime au premier démarrage. Environ vingt minutes quand cela fonctionne, et l'installation échoue sous macOS depuis octobre 2022.
• Fonctionnement. Votre machine, CPU ou CUDA. La version GPU ne s'installe réellement que sous Linux. Pas de compte, pas de clé API et aucun appel réseau une fois l'outil lancé.
• Entrées et sorties. N'importe quel layer raster, y compris un fond XYZ ou WMS, ainsi qu'un fichier ONNX téléchargé manuellement. La sortie est un layer mémoire que vous enregistrez vous-même.
• Coût. Gratuit, Apache 2.0, publié dans SoftwareX sous le DOI 10.1016/j.softx.2023.101495.
• Limites. Tout ce qui se trouve en dehors des données d'entraînement du modèle chargé. Un modèle de bâtiments entraîné à 40 cm par pixel ne lira pas un vol de drone à 5 cm, et le plugin ne peut pas vous avertir. Saisissez la mauvaise résolution et il plante ou ne trouve rien.

Dépôt et documentation.

2. Geo SAM

• Installation. Gestionnaire de plugins. Il gère ses propres dépendances et télécharge les checkpoints du modèle depuis QGIS, donc aucune commande pip à saisir.
• Fonctionnement. Votre machine, avec l'accélération GPU activée par défaut et un chemin CPU fonctionnel. Pas de compte.
• Entrées et sorties. Un fichier raster ou un layer XYZ, WMS ou WMTS. La sortie est un polygone par prompt, à partir d'un clic ou d'une boîte.
• Coût. Gratuit, MIT.
• Limites. Le premier prompt sur une nouvelle image est lent, car l'image doit être encodée avant que les clics deviennent rapides. Sa FAQ indique que cela peut prendre "from a few seconds to several minutes depending on the image size, model, and hardware", et la page consacrée à l'encodage fournit une stratégie Low Memory lorsque vous rencontrez des erreurs de mémoire insuffisante. Il ne renvoie également qu'un objet à la fois, ce qui en fait le mauvais outil pour un quartier entier.

Dépôt, documentation, fiche du plugin.

3. GeoAI

• Installation. Gestionnaire de plugins, plus un environnement PyTorch en dessous. La propre page du projet indique que l'installation "can be challenging due to the complicated pytorch/cuda dependencies". J'ai échoué dès le premier essai sur un Mac et une machine Windows, prévoyez donc une soirée.
• Fonctionnement. Votre machine. CUDA pour la vitesse, Apple MPS sur Apple Silicon, CPU en solution de repli. Pas de compte, sauf que les poids de SAM 3 nécessitent d'abord une demande d'accès auprès de Hugging Face.
• Entrées et sorties. Un layer raster. La sortie comprend des polygones et des masques, avec un panneau ancrable par tâche : segmentation des arbres, segmentation de l'eau, Segment Anything, segmentation sémantique et segmentation d'instances.
• Coût. Gratuit, MIT.
• Limites. SAM 3 nécessite un GPU NVIDIA. Sur une machine uniquement équipée d'un CPU, le plugin renvoie Failed to load model: Torch not compiled with CUDA enabled, et sa propre page vous le dit avant même que vous essayiez. Les autres modèles continuent de fonctionner.

Documentation du plugin et dépôt.

4. Mapflow, par Geoalert

• Installation. Gestionnaire de plugins, puis connexion à votre compte. Rien d'autre, et aucune carte graphique.
• Fonctionnement. Leurs serveurs. Vous avez besoin d'un compte, et l'imagerie quitte votre machine à chaque exécution, car aucune bibliothèque d'inférence n'est fournie avec le plugin.
• Entrées et sorties. Une zone que vous dessinez, sur l'une de leurs sources d'imagerie. La sortie comprend des layers vectoriels : bâtiments avec hauteur facultative, routes, parcelles agricoles, forêts et chantiers.
• Coût. Les bâtiments coûtent 10 crédits par kilomètre carré à 0,10 $ le crédit, arrondis au kilomètre carré supérieur. Une ville de 10 km² coûte donc environ 10 $. L'offre gratuite fournit 250 crédits pour une surface maximale de 25 km², avec export bloqué. Vous pouvez regarder le layer, mais pas le récupérer.
• Limites. Les maisons mitoyennes. Les maisons adjacentes d'une rangée fusionnent en un seul polygone, ce qui est visible sur leurs propres captures d'écran, et leur séparation ultérieure coûte plus cher que ce que l'exécution vous a fait économiser.

Documentation du plugin et dépôt.

5. Bunting Labs AI Vectorizer

• Installation. Gestionnaire de plugins, puis création d'un compte. Aucune carte graphique.
• Fonctionnement. Leurs serveurs. L'imagerie autour de votre curseur est envoyée à mesure que vous dessinez.
• Entrées et sorties. Le raster sur lequel vous tracez. La sortie est une géométrie ajoutée au layer que vous avez déjà ouvert en mode édition, sommet par sommet devant le curseur.
• Coût. 29 $ par siège et par mois, avec une limite de 120 complétions par jour. Au-delà, 99 $ par siège sans plafond et sans conservation des données. Il n'y a pas d'offre gratuite.
• Limites. Il ne renvoie jamais toutes les occurrences d'une zone, car il ne voit que l'imagerie autour de votre curseur. Pour cinquante bâtiments, vous devez toujours cliquer cinquante fois, simplement plus vite à chaque fois.

Documentation.

6. AI Segmentation, notre plugin

• Installation. Gestionnaire de plugins, puis création d'un compte. Aucun téléchargement de poids, aucun environnement Python, aucune carte graphique. QGIS 3.22 et versions ultérieures.
• Fonctionnement. Nos serveurs en Europe pour les deux modes cloud, l'imagerie quitte donc votre machine dans ces modes. Le mode Semi-Auto exécute un petit modèle localement et conserve l'imagerie sur votre machine.
• Entrées et sorties. Une zone que vous dessinez sur n'importe quel raster ou fond cartographique, plus un mot comme building ou solar panel. La sortie est un GeoPackage stylisé, avec un polygone par objet, chacun comprenant un label, une classe, un score de confiance et une surface.
• Coût. 3 km² de détection automatique gratuits par mois, sans carte bancaire. Une ville de 10 km² nécessite Pro, à 39 € par mois pour 300 km². Semi-Auto sur votre propre machine n'a aucun compteur.
• Limites. Il renvoie plus de résultats que demandé. Les ventilations, fenêtres de toit, abris de cour et ombres reviennent sous forme de polygones réels et correctement délimités, mais qui ne sont pas des bâtiments. Vous déplacez les curseurs de confiance et de surface jusqu'à obtenir le résultat voulu. Lors d'une exécution à Paris, cela a réduit 635 polygones à 82, et ces 82 représentaient encore 84 % de la surface bâtie. Une limite de champ qui se fond dans les broussailles est l'endroit où il hésite, au même endroit que vous.

Page du produit.

Essayez-le gratuitement dans QGIS, sans carte bancaire

Comparaison côte à côte

Comment choisir

• Vous avez un fichier ONNX, ou l'un des 24 modèles du zoo correspond à votre capteur et à votre résolution. Restez sur Deepness et vérifiez votre version de NumPy avant de signaler un bug.
• Vous voulez utiliser SAM localement et n'avez jamais rien entraîné. Geo SAM pour un objet à la fois, sans rien configurer. GeoAI pour le plus grand choix de tâches si vous avez une carte NVIDIA et une soirée devant vous.
• Vous avez un ordinateur portable de bureau et aucun temps à consacrer à l'installation. Mapflow ou notre AI Segmentation, qui exécutent tous deux le modèle sur un serveur et nécessitent seulement le plugin.
• Vous tracez des lignes à la main plutôt que de détecter des objets sur une zone. Bunting Labs.

Répondez à une question avant toutes les autres. L'imagerie peut-elle quitter votre machine ? Si la réponse est non, cela exclut Mapflow, Bunting Labs et nos deux modes cloud, et il vous reste Deepness, Geo SAM ou GeoAI.

Les huit plugins AI comparés couvrent le champ plus large, et le guide de SAM explique plus en détail quel plugin exécute quelle version de Segment Anything.