Alternatives à Deepness dans QGIS : 5 outils

Q: Lequel garde mes images sur ma machine ?

Deepness, Geo SAM et GeoAI, tous les trois entièrement : ni compte, ni clé API et aucun appel réseau pendant que le modèle tourne. Notre mode Semi-Auto reste aussi local, tandis que notre mode Automatique et le plugin hébergé de Mapflow envoient les images de votre zone vers un serveur, le nôtre en Europe.

Q: Combien coûte la détection de chaque bâtiment dans une ville de 10 km² ?

Environ 13 $ sur Mapflow, à 13 crédits par km² sur un fond Mapbox au zoom 18. Sur notre offre Pro, 39 € par mois couvrent 100 km², donc cette ville fait un dixième de mois. Sur les trois outils gratuits, la surface ne coûte rien, et vous payez en temps d'installation et en heures CPU.

Q: Les 24 modèles du zoo Deepness couvrent-ils mes images ?

Ils sont entraînés à des résolutions de 0,5 à 1 000 cm par pixel, donc comparez la colonne CM/PX à votre imagerie. La page porte elle-même une note qui dit que les modèles ne sont pas des outils universels.

Le remplacement le plus rapide de Deepness est AI Segmentation, le nôtre : dessinez une zone, tapez building, et les polygones reviennent sans aucun fichier de modèle. Deepness lui-même exécute un modèle d'apprentissage profond sur un raster dans QGIS, tuile par tuile, sur votre propre machine, gratuitement.

Deepness part d'un fichier ONNX que vous fournissez : vous choisissez un modèle sur sa page de documentation, vous le téléchargez, puis vous le cherchez dans le plugin. Si vous n'avez pas ce fichier, les autres outils ci-dessous partent d'entrées différentes. Deepness est en numéro deux, sur les mêmes lignes que les autres.

Comparé en un coup d'œil

Outil	Idéal pour	Prix	S'exécute sur	Offre gratuite
AI Segmentation (le nôtre)	Tout objet que vous pouvez nommer, sur une zone, sans rien installer	1,5 km² par mois gratuits, 39 € pour 100 km²	Nos serveurs, ou votre machine en Semi-Auto	1,5 km² par mois, sans carte bancaire
Deepness	Un modèle que vous avez déjà, sur des images qui doivent rester sur place	Gratuit, Apache 2.0	Votre machine	Tout, sans compte
Geo SAM	Quelques dizaines d'objets cliqués un par un, hors-ligne	Gratuit, MIT	Votre machine	Tout, sans compte
GeoAI	Houppiers, masques d'eau et votre propre entraînement, sur carte NVIDIA	Gratuit, MIT	Votre machine	Tout, sans compte
Mapflow	Bâtiments, routes et champs comme produits finis sur une ville	Environ 1,30 $ par km² pour les bâtiments	Leurs serveurs	250 crédits, sur 25 km² au plus

1. AI Segmentation

AI Segmentation est le nôtre, donc pesez cette entrée en conséquence. Dessinez une zone sur n'importe quel raster ou fond de carte, tapez un mot comme building ou solar panel, et chaque correspondance revient comme son propre polygone. La sortie est un GeoPackage mis en forme, chaque polygone portant une étiquette, une classe, un score de confiance et une surface.

Une vue satellite d’un hameau où six toits de maisons sont chacun cernés de rouge comme un polygone distinct, sur un fond de carte Google Satellite — Un polygone modifiable par toit, 23 août 2026. Une zone dessinée, le mot building saisi, ni fichier de modèle ni carte graphique.

Idéal pour : un géomaticien sans modèle, sans carte graphique et sans soirée libre, qui doit sortir des objets d'une image aujourd'hui.
Pas pour : des images qui ne peuvent pas quitter la machine, sauf si vous restez en Semi-Auto, ou une classe que seules vos propres étiquettes connaissent.
Prix : gratuit pour 1,5 km² de détection automatique par mois, sans carte bancaire. Pro à 39 € par mois pour 100 km². Semi-Auto sur votre propre machine sans compteur.
S'exécute sur : nos serveurs en Europe pour les deux modes cloud, donc les images dans votre zone quittent bien votre machine. Semi-Auto exécute un petit modèle en local et les garde sur place.
Installation : le plugin, et rien après. Aucune commande pip, pas de CUDA et pas de poids à récupérer.

Où il gagne

Le mot que vous tapez est la classe, donc passer de building à solar panel coûte un champ, pas un ré-entraînement.
Les curseurs de confiance et de surface filtrent le résultat sur place, avant l'export.

Limites

Il renvoie plus que demandé. Ventilations, lanterneaux, remises de cour et ombres reviennent comme des polygones bien tracés qui ne sont pas des bâtiments, donc vous poussez les curseurs jusqu'à les faire partir. Sur une exécution parisienne, cela a fait passer de 635 polygones à 82, et ces 82 gardaient encore 84 % de la surface bâtie.

Page produit et le guide complet.

Essayez-le gratuitement dans QGIS, sans carte bancaire

2. Deepness

Il charge un réseau ONNX que vous fournissez, le fait glisser sur un raster en tuiles qui se recouvrent, et réécrit le résultat comme une couche. Segmentation, détection d'objets, régression et super-résolution, et vous réglez la taille de tuile, le recouvrement et le post-traitement.

La page de documentation Model ZOO de Deepness, avec une barre latérale listant les catégories de modèles, une note avertissant que les modèles fournis ne sont pas des outils universels et un tableau dont les colonnes incluent Input size et CM/PX — Le zoo de modèles est une page de documentation, pas un panneau du plugin. Lisez la colonne CM/PX et la NOTE au-dessus, 23 août 2026.

Idéal pour : quelqu'un avec un fichier ONNX entraîné, ou un capteur qui correspond à l'un des 24 modèles de la page du zoo, dont les images doivent rester sur la machine.
Conçu pour : les personnes qui apportent leur propre modèle ONNX.
Prix : gratuit. Ni compte, ni clé API, ni contrôle de licence nulle part dans le code. Le seul appel sortant est le pip install au premier démarrage.
S'exécute sur : votre machine, CPU ou CUDA. L'installateur ne récupère la version GPU que sous Linux, donc Windows et macOS reçoivent un simple onnxruntime.
Installation : le plugin, puis OpenCV et ONNX Runtime au premier démarrage.

Où il gagne

Votre propre modèle s'exécute. Tout ONNX qui respecte la forme documentée marche, entraîné sur vos étiquettes, votre capteur, votre résolution.
Rien n'est compté, donc une ville de 10 km² et une région de 1 000 km² coûtent pareil.
Apache 2.0 et relu par les pairs dans SoftwareX (DOI 10.1016/j.softx.2023.101495), donc un fichier de modèle épinglé donne la même réponse dans trois ans.

Limites

Vous apportez le modèle et réglez sa résolution en cm par pixel. La page du zoo liste 24 modèles, entraînés à des résolutions de 0,5 à 1 000 cm par pixel, et précise que les modèles fournis ne sont pas des outils universels.
Les exécutions sur CPU sont plus longues que sur GPU. Un utilisateur a signalé sur issue #192, 80 minutes sur un Ryzen 7 5800X contre 61 secondes sur une GTX 1660 Ti. Une machine, un modèle, donc lisez-le comme sa mesure, pas comme un test de référence.

Dépôt et documentation. Au 23 août 2026, la doc se construit depuis une branche plus récente non publiée, tandis que la version du marketplace est la 0.6.5, du 10 décembre 2024.

3. Geo SAM

Segment Anything dans QGIS. Cliquez sur un point ou tracez un rectangle sur un raster, et cet objet-là revient comme un polygone.

Idéal pour : quelques dizaines d'objets sur une image locale, sans fichier de modèle à chercher et sans commande pip à taper.
Conçu pour : un objet par prompt.
Prix : gratuit, MIT.
S'exécute sur : votre machine, avec ou sans carte graphique. Sans compte.
Installation : le plugin. Il gère ses propres dépendances et récupère ses checkpoints depuis QGIS.

Où il gagne

La seule option hors-ligne qui ne demande aucun fichier de modèle.
Il prend un fichier raster ou une couche XYZ, WMS ou WMTS, donc un fond de carte marche.

Limites

Le premier prompt sur une nouvelle image attend pendant que toute l'image est encodée, « de quelques secondes à plusieurs minutes selon la taille de l'image, le modèle et le matériel » d'après sa propre FAQ, qui fournit aussi une stratégie basse mémoire pour quand cette étape épuise la RAM.

Dépôt, documentation et fiche du plugin.

4. GeoAI

Une boîte à outils de tâches prêtes à l'emploi, un panneau ancrable chacune : segmentation d'arbres, segmentation d'eau, Segment Anything, segmentation sémantique et par instances, plus un entraîneur pour votre propre modèle. Chaque panneau sort des polygones et des masques.

Le panneau GeoAI ancré à droite de QGIS, avec les champs du modèle, de la taille de fenêtre et de la sortie, sur un fond de carte OpenStreetMap — Le panneau GeoAI. Le modèle, la fenêtre de découpage en tuiles et la sortie se trouvent tous dans le panneau. Image tirée du tutoriel de l’auteur.

Idéal pour : quelqu'un avec une carte NVIDIA et une soirée, qui veut plusieurs tâches de détection couvertes sans fichier ONNX à exporter.
À noter : SAM 3 nécessite une carte NVIDIA.
Prix : gratuit, MIT.
S'exécute sur : votre machine. CUDA pour la vitesse, Apple MPS sur Apple Silicon, CPU en repli. Sans compte, sauf que les poids SAM 3 demandent d'abord une demande d'accès Hugging Face.
Installation : le plugin, plus un environnement PyTorch. Sa propre page dit que cela « peut être difficile à cause des dépendances pytorch/cuda compliquées ».

Où il gagne

Plusieurs tâches dans un seul plugin, chacune avec son panneau, aucune ne demandant un fichier de modèle.
L'entraîneur garde vos propres étiquettes dans le même outil.

Limites

SAM 3 demande une carte NVIDIA. Sans elle, il renvoie Failed to load model: Torch not compiled with CUDA enabled, et les autres modèles tournent quand même.

Documentation du plugin et dépôt.

5. Mapflow, par Geoalert

Dessinez une zone sur l'une de leurs sources d'images, choisissez une classe, et des couches vecteur reviennent : bâtiments avec hauteur en option, routes, parcelles agricoles, forêt, chantiers.

Le panneau de traitement Mapflow ancré dans QGIS, avec une zone d’intérêt, Mapbox comme source de données, Buildings comme mode d’IA et un coût de traitement de 13 crédits — Le panneau de traitement de Mapflow. Le coût de l’exécution s’affiche avant son lancement. Capture d’écran tirée de la documentation de Mapflow.

Idéal pour : l'une de ces classes finies sur une ville entière, sans rien installer et sans carte graphique.
Pas pour : une classe hors de leur liste.
Prix : des crédits à 0,10 $ chacun. Les bâtiments sont à 10 crédits par km² et le fond de carte ajoute 1 à 9 de plus, donc une exécution sur un fond Mapbox au zoom 18 coûte 13 crédits, environ 1,30 $ par km², et chaque travail est arrondi au km² entier. L'offre gratuite donne 250 crédits sur 25 km² au plus.
S'exécute sur : leur service hébergé pour le plugin QGIS, avec un compte. Leur site mentionne aussi une option sur site pour les entreprises, que cet article ne compare pas.
Installation : le plugin seul.

Où il gagne

Le panneau affiche le prix de l'exécution avant de le lancer.
La hauteur des bâtiments revient en attribut, ce qu'aucun autre outil ici n'offre.

Documentation du plugin et dépôt.

Côte à côte

Outil	Ce que vous lui donnez	Installation	GPU	Compte	Les images quittent la machine	Une ville de 10 km²
AI Segmentation (le nôtre)	Une zone que vous dessinez, plus un mot	Plugin seul	Non	Oui	Seulement dans les deux modes cloud	Un dixième d'un mois à 39 €
Deepness	Toute couche raster, plus un fichier ONNX	Plugin, puis OpenCV et ONNX Runtime	En option, Linux seul en pratique	Non	Non	Gratuit, payé en heures CPU
Geo SAM	Un fichier raster, ou une couche XYZ, WMS ou WMTS	Plugin, dépendances gérées	En option	Non	Non	Gratuit, un clic par objet
GeoAI	Une couche raster	Plugin, plus un environnement PyTorch	Recommandé, NVIDIA pour SAM 3	Non	Non	Gratuit, payé en temps d'installation
Mapflow	Une zone que vous dessinez sur leurs images	Plugin seul	Non	Oui	Oui, avec le plugin hébergé	Environ 13 $

La colonne d'installation est celle que les gens sous-estiment, et la fiche Deepness le dit elle-même.

La description de Deepness sur le dépôt de plugins QGIS, qui se termine par la ligne indiquant que le plugin exige l’installation de paquets Python externes et qu’une boîte de dialogue s’affichera au premier démarrage — La colonne d’installation, dans les mots de la fiche Deepness elle-même, 23 août 2026. Les modèles ONNX personnalisés s’y ajoutent, et les paquets Python externes se téléchargent au premier démarrage.

Comment passer depuis Deepness

Exportez d'abord vos résultats. Une exécution Deepness écrit son résultat dans une couche temporaire en mémoire qui meurt avec le projet, donc faites un clic droit dessus et enregistrez-la comme GeoPackage avant de fermer QGIS.

Votre fichier ONNX n'a pas de place dans les quatre autres. Aucun d'eux ne chargera un réseau que vous avez entraîné. Gardez le fichier, et gardez Deepness installé pour le jour où un chantier l'exigera.

Ce que vous perdez, c'est l'inférence hors-ligne, mais seulement si vous arrivez sur le plugin hébergé de Mapflow ou notre mode Automatique, puisque les deux envoient les images de votre zone vers un serveur. Geo SAM et GeoAI restent locaux, exactement comme Deepness. Ce que vous gagnez est le même dans les quatre cas : pas de chasse au modèle, pas de résolution en cm/px à taper, pas de pip install au premier démarrage.

À retenir

Deepness est le seul outil de cette page qui exécute un réseau que vous avez entraîné vous-même, et c'est le seul point à peser avant de le quitter.

Le zoo de modèles est une page de documentation, donc le fichier ONNX arrive à la main et vous réglez vous-même sa résolution.

Une tuile de 5 000 par 5 000 pixels à 20 cm, signalée par un utilisateur, a pris 80 minutes sur CPU, contre 61 secondes sur une GTX 1660 Ti.

Deepness, Geo SAM et GeoAI ne font aucun appel réseau pendant que le modèle tourne, donc les images soumises à une interdiction d'envoi restent sur votre disque.

Détecter chaque bâtiment dans une ville de 10 km² coûte environ 13 $ sur Mapflow, un dixième d'un mois Pro à 39 €, et du temps d'installation sur les trois outils gratuits.

Comment je les ai comparés

Cinq critères : ce que vous donnez à l'outil, où il s'exécute, si vos images quittent votre machine, ce que coûte un vrai chantier, et combien de temps prend l'installation. Prix, versions, licences et numéros d'issues ouvertes ont été lus le 23 août 2026 dans le dépôt ou la documentation de chaque projet. Les captures datent du même jour.

Transparence : la première entrée est la nôtre. Si vos images sont soumises à une règle qui interdit tout envoi et que vous avez déjà un fichier ONNX entraîné, restez sur Deepness. Notre mode Automatique détecte sur nos serveurs, et rien ici ne change cela.

Questions fréquentes

Existe-t-il une alternative à Deepness sans fichier ONNX ?

Les quatre autres. Geo SAM et GeoAI récupèrent leurs propres poids pour vous, et le plugin hébergé de Mapflow et notre AI Segmentation gardent les leurs sur un serveur, donc rien n'arrive sur votre disque. Deepness vous demande d'apporter le vôtre, et c'est aussi ce qui lui permet d'exécuter un modèle que vous avez entraîné vous-même.

Deepness marche-t-il sur macOS ?

Son suivi GitHub liste des signalements d'installation sur macOS, par exemple #209, ouvert au 23 août 2026. Vérifiez le suivi avant de planifier autour de cela. Geo SAM gère ses propres dépendances et les outils hébergés ne demandent que le plugin, donc un Mac n'en bloque aucun.

Puis-je faire de l'apprentissage profond dans QGIS sans carte graphique ?

Oui. Deepness, Geo SAM et GeoAI reviennent tous sur le CPU, et Deepness n'installe même pas la version GPU sous Windows ou macOS. Vous payez en temps : une tuile signalée par un utilisateur a pris 80 minutes sur CPU contre 61 secondes sur une GTX 1660 Ti. Sans carte ni patience, Mapflow et notre AI Segmentation calculent sur un serveur.

Existe-t-il un problème connu de Deepness sur QGIS 3.44 ?

Un utilisateur l'a signalé dans issue #235, ouverte au 23 août 2026 : les prérequis du plugin épinglent numpy<2.0.0 et QGIS 3.44 livre NumPy 2.4.3, donc le premier démarrage a affiché A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3. Affichez numpy.__version__ dans la console Python de QGIS avant d'installer.

Lequel garde mes images sur ma machine ?

Deepness, Geo SAM et GeoAI, tous les trois entièrement : ni compte, ni clé API et aucun appel réseau pendant que le modèle tourne. Notre mode Semi-Auto reste aussi local, tandis que notre mode Automatique et le plugin hébergé de Mapflow envoient les images de votre zone vers un serveur, le nôtre en Europe.

Combien coûte la détection de chaque bâtiment dans une ville de 10 km² ?

Environ 13 $ sur Mapflow, à 13 crédits par km² sur un fond Mapbox au zoom 18. Sur notre offre Pro, 39 € par mois couvrent 100 km², donc cette ville fait un dixième de mois. Sur les trois outils gratuits, la surface ne coûte rien, et vous payez en temps d'installation et en heures CPU.

Les 24 modèles du zoo Deepness couvrent-ils mes images ?

Ils sont entraînés à des résolutions de 0,5 à 1 000 cm par pixel, donc comparez la colonne CM/PX à votre imagerie. La page porte elle-même une note qui dit que les modèles ne sont pas des outils universels.

Un résultat Deepness survit-il à la fermeture de QGIS ?

Une exécution Deepness écrit son résultat dans une couche temporaire en mémoire qui meurt avec le projet. Faites un clic droit dessus et enregistrez-la comme GeoPackage avant de fermer quoi que ce soit.

Les chantiers plus étroits ont leurs propres outils : Bunting Labs AI Vectorizer trace le trait devant votre curseur pendant que vous numérisez à la main, SamGeo est un autre plugin local de Segment Anything, et SCP classe l'occupation du sol depuis des zones d'entraînement que vous dessinez.

Les neuf plugins IA comparés couvre le champ plus large, le guide SAM détaille Segment Anything, et ce que signifie GeoAI explique le terme sous lequel se vendent ces cinq outils. Le hub QGIS IA cartographie le reste.

Essayez-le gratuitement dans QGIS, sans carte bancaire