Alternatives à eCognition : analyse d'images orientée objet sans licence

La propre page produit de Trimble porte cette mention : « Trimble eCognition n'est plus activement vendu. Cette page reste active pour permettre aux clients existants d'accéder aux téléchargements logiciels. » Je l'ai lue le 23 août 2026. La question a donc changé. Il ne s'agit plus de savoir si le renouvellement de la licence en vaut la peine, mais de déterminer quel outil gratuit couvre quelle partie du travail, sachant qu'une partie n'a aucun remplacement gratuit.

J'ai cofondé TerraLab, donc AI Segmentation vers la fin est notre solution. Mêmes colonnes, même limite d'une ligne que pour tout le reste.

Ce que fournit réellement eCognition

eCognition est un environnement d'analyse d'images orientée objet, pas un bouton qui détecte les bâtiments, et vous pilotez chaque étape manuellement.

La segmentation vient en premier. La segmentation multirésolution part de pixels individuels et fusionne les voisins tant qu'un seuil d'homogénéité est respecté. Vous définissez un paramètre d'échelle pour la taille des objets, répartissez l'homogénéité entre couleur et forme, puis la forme entre lissage et compacité. La forme ne peut pas dépasser 0,9. Ces quatre nombres constituent le savoir-faire, et vous les réajustez pour chaque capteur et chaque paysage.

Vient ensuite une hiérarchie de classes que vous écrivez vous-même : classes, attributs hérités, fonctions d'appartenance fondées sur les moyennes spectrales, la texture, la surface, les voisins et les relations avec les objets parents et enfants. Puis vous l'exécutez, vous observez le résultat, vous modifiez les nombres et vous recommencez.

Le résultat important est le jeu de règles, enregistré dans un fichier .dcp ou regroupé dans une solution .dax, pas les polygones. Ce fichier est la méthode. Donnez-le à un collègue, exécutez-le sur un millier de tuiles avec eCognition Server, obtenez la même classification à chaque fois et montrez à un auditeur pourquoi un polygone a été identifié comme un bâtiment.

Rien de gratuit ne le remplace aujourd'hui. Chaque outil ci-dessous vous fournit une étape. Aucun ne fournit un fichier de règles portable et versionné qu'un collègue peut exécuter sans modification et défendre lors d'une revue. Si votre livrable est la méthode plutôt que la carte, gardez une machine capable d'ouvrir vos fichiers .dcp.

La documentation des jeux de règles de Trimble et la référence de la segmentation multirésolution sont toujours disponibles en ligne et accessibles gratuitement.

Parcours 1 : vous voulez uniquement l'étape de segmentation

Ces outils découpent l'image en objets. Ils ne les classifient pas.

1. Orfeo ToolBox

La solution gratuite la plus proche de l'étape de segmentation d'eCognition, et la seule conçue pour les grandes scènes.

• Installation OTB, puis le plugin OrfeoToolbox Provider, qui a quitté le cœur de QGIS à partir de 3.36. Le CookBook explique la configuration. La ligne de commande fonctionne aussi.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties n'importe quel raster. LargeScaleMeanShift enchaîne lissage, segmentation, fusion des petites régions et vectorisation, puis écrit un fichier vectoriel dont les polygones contiennent déjà la moyenne et l'écart type pour chaque bande. Cette table alimente ensuite le classifieur.
• Coût gratuit, Apache 2.0.
• Limites les paramètres par défaut : rayon spatial 5, rayon de plage 15, taille minimale de 50 pixels, tuiles de 500 par 500. Prévoyez plusieurs exécutions avant d'obtenir la bonne taille d'objet.

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

Déjà inclus dans , puisque GRASS est fourni avec lui.

• Installation rien. Le fournisseur GRASS est disponible dans Processing dès l'installation.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties un groupe d'images. Vous obtenez un raster de segments, que i.segment.stats transforme en statistiques par objet pouvant être classifiées.
• Coût gratuit, GPL.
• Limites la patience. Deux méthodes existent, croissance de régions et mean shift, et le seuil de croissance des régions n'a pas de signification physique. Vous le trouvez donc par dichotomie. L'addon i.segment.uspo automatise cette recherche et prend des heures.

i.segment manual · i.segment.stats · i.segment.uspo

3. SAGA

Le moyen le plus rapide de voir une segmentation sans lire un manuel.

• Installation le plugin Processing Saga NextGen Provider, ainsi que SAGA. Il a quitté l'ensemble Processing du cœur de QGIS.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties des grilles en entrée, une grille de segments et des polygones facultatifs en sortie.
• Coût gratuit. GPL, avec l'API sous LGPL.
• Limites tout ce qui doit être mis à l'échelle ou répété. Sa bibliothèque Imagery, Segmentation contient Seeded Region Growing, Superpixel Segmentation, Watershed Segmentation et trois assistants. Elle est rapide à tester. Elle ne fournit aucun framework d'attributs d'objets, donc l'étape des statistiques est à construire vous-même.

saga-gis.sourceforge.io

4. scikit-image et RSGISLib

Pour ceux qui préfèrent écrire la segmentation plutôt que cliquer dessus.

• Installation un environnement Python. scikit-image s'installe avec pip ou conda, tandis que RSGISLib s'installe avec conda et est plus lourd.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties des tableaux en entrée, des tableaux d'étiquettes en sortie. Le géoréférencement est à gérer vous-même, avec rasterio ou GDAL.
• Coût gratuit. scikit-image est sous BSD-3-Clause, RSGISLib sous GPL v3.
• Limites la plomberie. Felzenszwalb, quickshift, SLIC et watershed tiennent chacun en quatre lignes, et aucun ne sait ce qu'est un CRS. La segmentation Shepherd de RSGISLib est le rapprochement publié le plus proche d'eCognition. Elle s'installe uniquement depuis conda-forge, et son site ne répondait pas en https le 23 août 2026. Utilisez donc le dépôt.

scikit-image segmentation examples · RSGISLib repository

Parcours 2 : vous voulez une classification supervisée

Vous dessinez des zones d'entraînement, l'outil les apprend, puis l'ensemble du raster est étiqueté. C'est la moitié d'eCognition que les logiciels gratuits couvrent réellement.

5. Semi-Automatic Classification Plugin

Celui vers lequel se tournent la plupart des anciens utilisateurs d'eCognition, à juste titre.

• Installation le plugin, puis laissez-le télécharger ses dépendances. Il repose sur Remotior Sensus et utilise scikit-learn et PyTorch.
• Exécution sur votre machine, le CPU suffit, sans compte. Un outil optionnel télécharge les scènes Landsat et Sentinel-2. C'est le seul moment où il communique avec un serveur.
• Entrées et sorties un raster multibande et des zones d'entraînement que vous dessinez. Vous obtenez un raster classifié, un rapport de précision et un layer vectoriel si vous le demandez. Algorithmes : maximum de vraisemblance, distance minimale, spectral angle mapping, forêt aléatoire, machine à vecteurs de support et perceptron multicouche.
• Coût gratuit, GPL v3.
• Limites les objets. Il classifie les pixels, pas les segments. Un toit revient donc sous forme de taches et vous devez le nettoyer ensuite.

Manual · Plugin listing

6. dzetsaka

Plus petit, plus rapide à apprendre, et il entraîne un modèle en environ une minute.

• Installation le plugin. Lorsque vous choisissez un algorithme dont la bibliothèque manque, il propose de l'installer avec pip et affiche la progression dans le journal QGIS. Vous ouvrez donc rarement un terminal.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties un raster et un shapefile de régions d'intérêt. Un raster classifié et un fichier de modèle enregistré. Onze algorithmes, allant d'un modèle de mélange gaussien qui ne nécessite rien au-delà de QGIS jusqu'à XGBoost et CatBoost.
• Coût gratuit, GPL v3.
• Limites les étiquettes textuelles. La colonne ROI doit contenir des numéros de classes, pas des noms.

Repository · Plugin listing

7. GRASS i.maxlik et r.learn.ml2

Déjà installés, et le duo qui se prête le mieux aux scripts.

• Installation rien pour i.maxlik. r.learn.ml2 est un addon et nécessite scikit-learn.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties un fichier de signatures produit par i.gensig pour le premier, une pile de rasters et des étiquettes pour le second. Des rasters classifiés en sortie.
• Coût gratuit, GPL.
• Limites la découvrabilité. Les noms des paramètres supposent que vous connaissez déjà le modèle de données GRASS. Une fois cette étape franchie, ils s'intègrent directement dans un pipeline bash ou Python. C'est ce qui se rapproche le plus d'un traitement par lots eCognition Server parmi les solutions gratuites.

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

Associez-le à LargeScaleMeanShift et vous obtenez la véritable chaîne orientée objet : segmenter, calculer les statistiques par objet, puis classifier.

• Installation OTB, comme indiqué plus haut.
• Exécution sur votre machine, CPU uniquement, sans compte.
• Entrées et sorties des paires image et vecteur d'entraînement en entrée. Un fichier de modèle en sortie, ainsi qu'une matrice de confusion si vous le demandez. Il n'écrit ni image ni vecteur. ImageClassifier ou VectorClassifier applique ensuite le modèle.
• Coût gratuit, Apache 2.0.
• Limites le premier contact. Il repose sur LibSVM, l'apprentissage automatique d'OpenCV et Shark ML, chacun avec son propre bloc de paramètres. Lisez la page CookBook avant de l'exécuter, pas après.

TrainImagesClassifier

Parcours 3 : vous voulez obtenir l'objet sans écrire de jeu de règles

Des outils fondés sur des modèles. Vous renoncez au réglage et à la traçabilité d'audit, mais vous obtenez un résultat aujourd'hui.

9. Deepness

Exécute n'importe quel modèle ONNX que vous fournissez sur un raster, par tuiles.

• Installation le plugin, puis il installe OpenCV et ONNX Runtime avec pip au premier démarrage.
• Exécution sur votre machine. Le CPU fonctionne, un GPU nécessite votre propre configuration CUDA. Aucun compte, rien ne sort de la machine.
• Entrées et sorties n'importe quel raster layer, y compris un fond de carte XYZ ou WMS, ainsi que votre modèle ONNX. Un layer vectoriel ou raster en sortie.
• Coût gratuit, Apache 2.0.
• Limites les images situées en dehors de la plage d'entraînement du modèle. Un modèle entraîné sur des images de 25 cm ne lira pas un vol de drone à 5 cm, et le plugin ne peut pas vous avertir.

Repository

10. Geo-SAM

Segment Anything dans un panneau QGIS, un prompt à la fois.

• Installation le plugin, dans le gestionnaire de plugin depuis la version 2.0. Il télécharge ses propres checkpoints depuis QGIS.
• Exécution sur votre machine, suffisamment rapide sur le CPU d'un ordinateur portable. Aucun compte, rien ne sort de la machine.
• Entrées et sorties un fichier raster ou une layer XYZ, WMS ou WMTS. Un polygone par clic ou par boîte, enregistré dans un Shapefile.
• Coût gratuit, MIT.
• Limites les traitements par zone. Il renvoie un objet à la fois. Deux modes existent depuis la version 2.0, et dans le mode pré-encodé vous ne pouvez créer un prompt qu'à l'intérieur de l'étendue encodée au préalable.

Repository · Plugin listing

11. samgeo

Les mêmes modèles sous forme de package Python, pour des scènes entières.

• Installation un environnement Python, puis le package. Prévoyez une après-midi la première fois.
• Exécution sur votre machine, GPU recommandé. Aucun compte, mais les poids représentent un téléchargement conséquent.
• Entrées et sorties un GeoTIFF, ou des tuiles de fond de carte qu'il récupère. Des rasters de masques accompagnés de GeoJSON, Shapefile ou GeoPackage.
• Coût gratuit, MIT.
• Limites les ordinateurs portables de bureau et les incohérences de CRS, car il ne reprojette rien. C'est une bibliothèque, vous écrivez donc le code, sauf si vous ajoutez son plugin compagnon.

samgeo.gishub.org · Repository

12. GeoAI

Un panneau par tâche, ainsi qu'un entraîneur pour vos propres modèles.

• Installation le plugin, avec une stack PyTorch sous-jacente. Le projet indique que les dépendances CUDA rendent l'installation difficile, et c'est exact.
• Exécution sur votre machine, en pratique avec une carte NVIDIA. Aucun compte, rien ne sort de la machine.
• Entrées et sorties un raster layer. Des polygones et des masques, un panneau par tâche.
• Coût gratuit, MIT.
• Limites l'installation, plus souvent que les images. Une fois qu'il fonctionne, c'est la boîte à outils la plus large ici : Segment Anything, houppiers d'arbres, masques d'eau, Mask R-CNN.

Repository · Plugin listing

13. Mapflow

Dessinez une zone, choisissez une classe et récupérez des vecteurs depuis leurs serveurs.

• Installation le plugin uniquement.
• Exécution sur les serveurs de Geoalert. Aucun GPU, un compte est requis et les images quittent votre machine à chaque traitement.
• Entrées et sorties une zone que vous dessinez. Des layers vectoriels par classe.
• Coût des crédits à 0,10 $ chacun. Les bâtiments coûtent 10 crédits par km², un fond de carte en zoom 18 en ajoute 3, soit environ 1,30 $ par km². L'offre gratuite comprend 250 crédits, plafonnés à 25 km².
• Limites le tissu urbain dense. Les maisons mitoyennes fusionnent en un seul polygone, ce qui se voit sur leurs propres captures d'écran.

mapflow.ai

14. AI Segmentation, notre solution

Dessinez une zone, saisissez l'objet en toutes lettres et obtenez chaque correspondance sous forme de polygones.

• Installation le plugin uniquement. Aucun poids, aucune CUDA, aucun environnement Python.
• Exécution sur nos serveurs pour les deux modes cloud, et sur votre machine pour le petit modèle local en Semi-Auto. Aucun GPU dans les deux cas. Un compte gratuit est requis.
• Entrées et sorties des orthophotos et des fonds de carte. Un GeoPackage stylisé en sortie, un polygone par objet, avec une étiquette, une classe, un score de confiance et une surface.
• Coût l'offre gratuite couvre 3 km² de détection Automatic et 50 détections d'objets Semi-Auto par mois, sans carte bancaire. Pro coûte 39 € par mois pour 300 km² et 2 000 détections d'objets. Semi-Auto sur votre propre machine n'a aucun compteur.
• Limites les règles qui interdisent tout envoi. Les deux modes cloud envoient les images à un serveur, tandis que seul le petit modèle local reste sur la machine. Nous lisons les images et rien d'autre, donc une feuille cadastrale numérisée ne donne rien.

Product page · Registry entry

Essayez AI Segmentation gratuitement dans QGIS, sans carte bancaire

Comparaison côte à côte

Comment choisir

• Votre livrable est la méthode, pas la carte. Rien ici ne remplace un .dcp. Gardez une machine capable d'ouvrir vos jeux de règles et reconstruisez la méthode sous la forme d'un modèle Processing documenté ou d'un script Python avant que cette machine ne tombe en panne.
• Vous avez segmenté, puis classifié par objet. Orfeo, dans ses deux moitiés : LargeScaleMeanShift pour les objets, TrainImagesClassifier pour les étiquettes. La seule chaîne gratuite qui transporte les statistiques par objet de bout en bout.
• Vous avez surtout dessiné des zones d'entraînement et lancé la classification. SCP pour un rapport de précision, dzetsaka pour obtenir un modèle en une minute.
• Vous voulez extraire des bâtiments des images cet après-midi. Deepness avec un modèle prêt à l'emploi, ou Mapflow ou notre solution si les images peuvent quitter la machine.
• Les images ne doivent jamais quitter la machine. Cette seule contrainte exclut Mapflow et nos deux modes cloud, et laisse toutes les autres solutions présentées ici.

Commencez ce soir avec i.segment sur une tuile. Il est déjà dans votre boîte à outils Processing, ne coûte rien, et vingt minutes passées avec le seuil vous diront quelle part de votre travail eCognition était la segmentation et quelle part était le jeu de règles.

Les huit plugin AI comparés approfondit la partie fondée sur les modèles. Le hub QGIS AI répertorie les autres solutions.