Résumez cet article avec :
- L'utilisation d'Eden AI avec JavaScript vous permet d'accéder rapidement et de manière flexible à de puissants outils de détection d'étiquettes.
- La détection d'étiquettes identifie et catégorise automatiquement les objets, les personnes et les scènes dans des vidéos ou des images.
- La détection d'étiquettes, ou détection d'objets, joue un rôle crucial dans l'analyse des vidéos et des images en identifiant et en classant les éléments de chaque image, tels que des objets, des personnes, des animaux ou des points de repère.
- Les étiquettes arrivent en JSON dans la réponse, avec le temps de début et de fin de chacune.
- Grâce à une API compatible OpenAI facile à utiliser et à la prise en charge des principaux fournisseurs d'IA, vous pouvez intégrer rapidement la reconnaissance d'objets à vos applications.
La détection d'étiquettes, ou détection d'objets, joue un rôle crucial dans l'analyse des vidéos et des images en identifiant et en classant les éléments de chaque image, tels que des objets, des personnes, des animaux ou des points de repère.
Ce processus améliore le balisage, l'indexation et la facilité de recherche du contenu. Dans ce didacticiel, nous vous expliquerons comment implémenter la détection d'étiquettes à l'aide de JavaScript et de l'API Eden AI.
Avec seulement quelques lignes de code, vous serez en mesure d'analyser le contenu visuel et d'extraire des informations précieuses sans effort.
Qu'est-ce que Détection d'étiquettes?

La détection d'étiquettes identifie et catégorise automatiquement les objets, les personnes et les scènes dans des vidéos ou des images. Il attribue des étiquettes telles que animaux, bâtiments, ou repères aux éléments visuels, ce qui facilite la recherche, l'organisation et l'analyse du contenu.
Comment détecter les étiquettes dans les vidéos
Accédez à l'API Eden AI
1. Inscrivez-vous : Visitez Eden AI et créez un compte gratuitement pour commencer. Une fois inscrit, rendez-vous dans la section API pour trouver votre clé API personnelle qui vous donne accès aux services d'IA, y compris la détection des étiquettes.

2. Accédez à Technologies vidéo — Connectez-vous et rendez-vous dans la section Technologies vidéo.
3. Sélectionnez la détection des étiquettes— À partir de là, sélectionnez Détection d'étiquettes option.
Modèles de test en direct sur Eden AI
Eden AI vous permet d'expérimenter différents modèles d'IA avant l'intégration, ce qui facilite la comparaison et le choix du fournisseur qui correspond le mieux à vos besoins.
Implémentation de la détection d'étiquettes en JavaScript
Étape 1 : installer le module de requêtes de JavaScript
Pour commencer, vous devez installer Axios. Axios est un client HTTP basé sur des promesses pour le navigateur et Node.js, qui facilite l'envoi de requêtes HTTP asynchrones.
npm install axios
Répartition du code
La détection d'étiquettes dans les vidéos passe désormais par un LLM multimodal qui accepte la vidéo en entrée, appelé via l'endpoint de chat compatible OpenAI d'Eden AI. Elle se fait en deux étapes :
- Envoi de la requête : vous envoyez l'URL de la vidéo, votre consigne et le format JSON attendu pour la réponse.
- Lecture des résultats : les étiquettes arrivent dans la même réponse, en JSON, sans tâche à interroger.
Une vidéo de 10 secondes est traitée en quelques secondes. Pour des vidéos longues, prévoyez un timeout large sur votre client HTTP.
Envoi de la requête de détection d'étiquettes
Cette partie POST du code envoie la vidéo et la consigne à Eden AI.
const API_TOKEN = 'your_api_token_here';
const videoUrl = '🔗 URL of your video'; // Replace with the actual video URL
const headers = {
"Authorization": `Bearer ${API_TOKEN}`,
"Content-Type": "application/json"
};
// The JSON format expected for the answer: each label with the time range where it appears
const schema = {
type: "object",
properties: {
labels: {
type: "array",
items: {
type: "object",
properties: {
label: { type: "string" },
start_time: { type: "number" },
end_time: { type: "number" }
},
required: ["label", "start_time", "end_time"]
}
}
},
required: ["labels"]
};
const body = JSON.stringify({
model: "google/gemini-2.5-flash", // Any model that accepts video input
messages: [{
role: "user",
content: [
{ type: "text", text: "List the objects, people and scenes in this video, with start and end times in seconds." },
{ type: "image_url", image_url: { url: videoUrl } }
]
}],
response_format: { type: "json_schema", json_schema: { name: "labels", schema: schema } }
});
fetch("https://api.edenai.run/v3/chat/completions", {
method: "POST",
headers: headers,
body: body
})
.then(response => response.json())
.then(result => {
showLabels(result); // See the next step
})
.catch(error => {
console.error('Error:', error);
});
Qu'est-ce que cela fait :
- model : le LLM multimodal à utiliser, au format provider/model. Il doit accepter la vidéo : vérifiez que video figure dans input_modalities sur https://api.edenai.run/v3/models (par exemple google/gemini-2.5-flash ou amazon/amazon.nova-2-lite-v1:0).
- messages : votre consigne dans un bloc text, et l'URL publique de votre vidéo dans un bloc image_url.
- response_format : le schéma JSON que la réponse doit suivre, ici une liste d'étiquettes avec leurs temps de début et de fin.
- fetch() : envoie la requête à Eden AI, sur https://api.edenai.run/v3/chat/completions.
Lecture des résultats
Les étiquettes sont dans la même réponse : la fonction showLabels appelée à l'étape précédente les lit.
function showLabels(result) {
// The labels are in the model's answer, as a JSON string
const { labels } = JSON.parse(result.choices[0].message.content);
labels.forEach(item => {
console.log(`${item.label}: ${item.start_time}s to ${item.end_time}s`);
});
console.log("Cost:", result.cost, "USD");
}
Explication du code
- JSON.parse convertit la réponse, une chaîne JSON qui suit votre schéma, en objet.
- La boucle affiche chaque étiquette avec l'intervalle de temps où elle apparaît.
- result.cost donne le coût de la requête, en dollars.
- Une seule requête, authentifiée par l'en-tête Authorization, couvre les deux étapes.
Exemples de sortie et d'interprétation des résultats
Voici un exemple de réponse du modèle, lue dans choices[0].message.content :
{
"labels": [
{"label": "Snowy mountain landscape", "start_time": 0.0, "end_time": 9.0},
{"label": "Red-haired character", "start_time": 0.0, "end_time": 9.0},
{"label": "Large muscular character", "start_time": 1.0, "end_time": 9.0},
{"label": "Man with a knife", "start_time": 6.0, "end_time": 7.0}
]
}
Ce que signifient les champs :
- label : objet, personne ou scène détectés.
- start_time / end_time : moment où l'étiquette apparaît dans la vidéo, en secondes.
Les temps sont estimés par le modèle : vérifiez-les sur quelques-unes de vos vidéos avant de vous y fier en production.
Gestion de vos fichiers vidéo
Pour analyser une vidéo stockée sur votre machine, envoyez-la d'abord avec POST https://api.edenai.run/v3/upload, puis utilisez un bloc file avec le file_id renvoyé à la place du bloc image_url. Eden AI propose des endpoints facultatifs pour gérer ces fichiers :
Fichiers vidéo - Répertorier les fichiers
Demande GET :
https://api.edenai.run/v3/upload
Cela répertorie les fichiers que vous avez envoyés, avec leur file_id et leur date d'expiration.
Fichiers vidéo - Supprimer des fichiers
Demande POST :
https://api.edenai.run/v3/upload/delete
Envoyez dans le champ file_ids la liste des fichiers dont vous n'avez plus besoin pour les supprimer.
Pourquoi Eden AI est le meilleur outil pour la détection des étiquettes
Eden AI propose une solution robuste de détection d'étiquettes présentant plusieurs avantages.

Plusieurs options de fournisseurs
Eden AI vous permet de comparer les modèles multimodaux de fournisseurs comme Google et Amazon en changeant un seul paramètre, model.
Facilité d'intégration
Eden AI simplifie l'intégration de la détection d'étiquettes dans vos applications grâce à des exemples de code JavaScript clairs et simples.
Sécurité et confiance
La plateforme Eden AI donne la priorité à la sécurité et à la confidentialité des données, garantissant ainsi une gestion sécurisée des données relatives à vos images.
Conclusion
L'utilisation d'Eden AI avec JavaScript vous permet d'accéder rapidement et de manière flexible à de puissants outils de détection d'étiquettes. Grâce à une API compatible OpenAI facile à utiliser et à la prise en charge des principaux fournisseurs d'IA, vous pouvez intégrer rapidement la reconnaissance d'objets à vos applications.
En combinant la compréhension vidéo des LLM multimodaux avec une gestion simple des fichiers, Eden AI constitue un choix fiable et évolutif pour les développeurs comme pour les entreprises.


