Recherche sur la détection des motifs d’images de batik basée sur YOLOv11 amélioré

Un tissu ancien rencontre le code moderne

Le tissu batik des communautés Miao de Chine est plus qu’un ornement : ses papillons, dragons, oiseaux et fleurs consignent discrètement l’histoire, les croyances et la vie quotidienne en l’absence d’une écriture. Mais à mesure que ces textiles vieillissent et que les jeunes générations s’éloignent des savoir-faire traditionnels, des informations culturelles essentielles risquent de se perdre dans des piles de photos non étiquetées et de tissus qui s’effacent. Cette étude montre comment des logiciels avancés de reconnaissance d’images peuvent automatiquement repérer et identifier de minuscules motifs qui se chevauchent dans des images de batik complexes, offrant un nouveau moyen de préserver et d’explorer cette forme d’art vivante à grande échelle.

Pourquoi ces motifs comptent

Le batik chinois est une technique de teinture à la main qui s’est épanouie pendant plus de deux millénaires, notamment chez les Miao du Guizhou. Parce que cette communauté a historiquement manqué d’une langue écrite, les motifs de batik sont devenus une archive visuelle de mythes, de rituels, d’esthétiques et de coutumes sociales. Les chercheurs ont commencé à numériser et analyser ces motifs en utilisant des outils issus des mathématiques, du design et de l’intelligence artificielle. Les travaux antérieurs pouvaient classer assez bien des motifs isolés, mais ils exigeaient généralement de les découper hors de leur tissu d’origine, rompant ainsi les liens entre chaque symbole et la composition globale. Cela rendait difficile la compréhension de la façon dont les motifs interagissent sur un vêtement ou un textile pour véhiculer des sens multiples.

De simples étiquettes à la détection intelligente

Les auteurs soutiennent que ce dont on a besoin, ce n’est pas seulement la classification, mais une détection complète d’objets : localiser chaque motif dans une photographie entière et en nommer le type. C’est un problème difficile dans les images réelles de batik, où les dessins sont entassés, de tailles très variables, et souvent délavés, craquelés ou partiellement masqués. Les systèmes de détection standards, y compris les versions antérieures de la populaire famille d’algorithmes YOLO (« You Only Look Once »), peinaient dans ces conditions. Ils avaient tendance à manquer les tout petits symboles, à être confondus par des arrière-plans complexes, ou à flancher lorsque l’éclairage et la qualité d’image étaient inégaux — précisément le type d’images que conservateurs et chercheurs de terrain collectent le plus souvent.

Apprendre à un réseau neuronal à lire le tissu

Pour relever ces défis, l’équipe a d’abord créé ce qui est aujourd’hui le plus grand ensemble de données de détection de batik chinois : 861 images haute résolution annotées avec 9933 boîtes englobantes réparties en sept catégories de motifs (papillon, poisson, dragon, oiseau, tambour, fleur et fruit). Ils ont soigneusement équilibré la taille et la qualité des images, et ont étendu les données limitées en appliquant des flous contrôlés, des changements de couleur, des rotations, des mosaïques et d’autres transformations pour que le modèle n’apprenne pas simplement par cœur les échantillons d’entraînement. Sur cet ensemble de données, ils ont construit une version améliorée de YOLOv11, un cadre de détection d’objets de pointe choisi pour sa rapidité et sa compacité — des caractéristiques importantes si l’outil doit tourner sur des ordinateurs courants dans les musées et centres culturels.

Regarder plus loin et voir plus net

Le modèle amélioré ajoute deux idées clés. D’abord, un composant inspiré du mécanisme VOLO « vision outlooker » permet au réseau de considérer en même temps des parties distantes de l’image, plutôt que seulement de petits voisinages locaux. Cela l’aide à reconnaître que deux petites formes éloignées peuvent appartenir au même motif significatif, et que le rôle d’un motif dépend de ses voisins. Ensuite, l’équipe a remanié la façon dont le réseau traite les caractéristiques d’image en utilisant une structure appelée Fused-MBConv. Cette refonte maintient l’efficacité des calculs tout en affinant la capacité du modèle à extraire des détails subtils de tissus bruyants et vieillissants. Dans des tests et des études d’ablation rigoureuses, leur conception finale a obtenu une précision moyenne de détection supérieure à celle du YOLOv11 de base et de plusieurs autres détecteurs légers, tout en restant suffisamment rapide pour une utilisation en temps réel ou quasi temps réel.

Des étiquettes automatiques aux récits culturels

Au-delà des simples scores de détection, les chercheurs ont connecté leur modèle à un graphe de connaissances sur le batik qui relie chaque type de motif à des récits sur ses origines, ses significations symboliques et des exemples associés. Dans un système logiciel prototype, un utilisateur peut télécharger la photo d’un tissu, voir les motifs détectés mis en évidence, puis cliquer pour explorer leur contexte culturel. Pour les archivistes, cela signifie un catalogage plus rapide et plus cohérent de grandes collections. Pour les enseignants et les visiteurs, cela transforme la reconnaissance des motifs en point d’entrée pour apprendre sur les croyances, rituels et esthétiques Miao. Bien que le système actuel soit entraîné uniquement sur le batik chinois, les auteurs le considèrent comme une feuille de route pour des outils interculturels qui pourraient un jour contribuer à préserver les traditions textiles de l’Indonésie à l’Inde, garantissant que les dessins sur les tissus continuent de parler, même si les étoffes elles-mêmes vieillissent et s’estompent.

Citation: Li, Y., Quan, H., Li, Q. et al. Research on batik image pattern detection based on improved YOLOv11. npj Herit. Sci. 14, 143 (2026). https://doi.org/10.1038/s40494-026-02404-y

Mots-clés: détection des motifs de batik, patrimoine culturel immatériel, vision par ordinateur, détection d’objets YOLO, art textile Miao