Résumez cet article avec :
- Détection d'étiquettes est une tâche clé de l'analyse de vidéos et d'images qui consiste à identifier et à classer les éléments de chaque image, tels que des objets, des personnes, des animaux ou des points de repère.
- La détection d'étiquettes identifie et catégorise automatiquement les objets, les personnes et les scènes dans des vidéos ou des images.
- Ce module permet à votre script Python d'envoyer des requêtes HTTP à des API comme Eden AI.
- Avec seulement quelques lignes de Python et un processus simple en deux étapes, vous pouvez analyser le contenu vidéo à l'aide des meilleurs fournisseurs d'IA tels que Google et Amazon.
- Les étiquettes arrivent en JSON dans la réponse, avec le temps de début et de fin de chacune.
Détection d'étiquettes est une tâche clé de l'analyse de vidéos et d'images qui consiste à identifier et à classer les éléments de chaque image, tels que des objets, des personnes, des animaux ou des points de repère.
Cela facilite le balisage du contenu, l'indexation et l'optimisation de la recherche. Dans ce didacticiel, nous allons vous montrer comment implémenter la détection d'étiquettes à l'aide de Python et de l'API Eden AI.
En quelques lignes de code, vous pouvez exécuter la détection des étiquettes et extraire des informations pertinentes à partir du contenu visuel.
Qu'est-ce que Détection d'étiquettes/d'objets?

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, accédez à la section API pour trouver votre clé API personnelle qui vous donne accès à un large éventail de services d'IA, y compris la détection d'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 Python
Étape 1 : Installation du module Python Requests
Avant de commencer, assurez-vous que le module de requêtes est installé. Ce module permet à votre script Python d'envoyer des requêtes HTTP à des API comme Eden AI.
pip install requests
Ce module est requis pour envoyer des requêtes HTTP à l'API Eden AI.
Explication 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 du code envoie la vidéo et la consigne à Eden AI.
import requests
# Replace with your actual API Key
headers = {"Authorization": "Bearer {API_KEY}"}
# The JSON format expected for the answer: each label with the time range where it appears
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"],
}
# Replace with the actual URL of your video
json_payload = {
"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": "🔗 URL of your video"}},
],
}
],
"response_format": {"type": "json_schema", "json_schema": {"name": "labels", "schema": schema}},
}
# Eden AI's OpenAI-compatible chat endpoint
url = "https://api.edenai.run/v3/chat/completions"
# Send the POST request
response = requests.post(url, json=json_payload, headers=headers)
# Get the response and display it
result = response.json()
print(result)
Explication :
- headers : contient votre clé API pour vous authentifier auprès d'Eden AI.
- url : l'endpoint de chat d'Eden AI, https://api.edenai.run/v3/chat/completions.
- json_payload :
- 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.
- 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).
- response : cette requête POST envoie la vidéo et votre consigne à Eden AI.
- result : la réponse complète. La réponse du modèle est dans choices[0].message.content, le coût de la requête dans cost et le fournisseur qui l'a traitée dans provider.
Lecture des résultats
Les étiquettes sont dans la même réponse. Cette partie du code les lit dans le résultat de l'étape précédente.
import json
# The labels are in the model's answer, as a JSON string
labels = json.loads(result["choices"][0]["message"]["content"])["labels"]
for item in labels:
print(f'{item["label"]}: {item["start_time"]}s to {item["end_time"]}s')
print("Cost:", result["cost"], "USD")
Explication :
- json.loads : la réponse est une chaîne JSON qui suit votre schéma, elle est donc convertie en dictionnaire Python.
- La boucle affiche chaque étiquette avec l'intervalle de temps où elle apparaît, puis le coût de la requête.
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}
]
}
Explication des champs de sortie :
- label : nom de l'objet, de la personne ou de la 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 Python 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
La détection des étiquettes ajoute une puissante intelligence visuelle à vos applications, et Eden AI vous facilite la tâche.
Avec seulement quelques lignes de Python et un processus simple en deux étapes, vous pouvez analyser le contenu vidéo à l'aide des meilleurs fournisseurs d'IA tels que Google et Amazon.
L'API unifiée, l'endpoint compatible OpenAI et la flexibilité multifournisseurs d'Eden AI en font une solution idéale pour une analyse vidéo évolutive, que vous travailliez sur des applications multimédia, des systèmes de sécurité ou des outils de modération de contenu.


