Mesurer la précision d’un modèle de reconnaissance faciale
L’essentiel
Guide pratique pour évaluer les métriques de performance en reconnaissance faciale : distinction vérification 1:1 vs identification 1:N, impact du RGPD et de…
Julien Charron
7 min
Contexte : pourquoi évaluer la notion de « précision »
Le terme « précision » prête à confusion. Le grand public l’emploie pour désigner la qualité générale d’un système. En biométrie, on parle de métriques formelles. Ces métriques décrivent des phénomènes distincts et ne se remplacent pas les unes par les autres.
Deux usages opérationnels se distinguent clairement. La vérification 1:1 confronte une image présentée à une identité connue. L’identification 1:N recherche une correspondance dans une galerie. Les exigences d’évaluation et les métriques pertinentes diffèrent entre ces deux familles d’usage. Un même score peut signifier des choses opposées selon le protocole appliqué.
Le cadre réglementaire impacte les choix méthodologiques. Le RGPD définit les images faciales comme potentiellement données biométriques si elles sont « traitées selon un mode technique spécifique permettant l’identification unique ». L’AI Act encadre l’usage d’identification biométrique à distance et a introduit des interdictions et des exceptions en vigueur depuis le 02/02/2025. Ces textes doivent figurer dans la réflexion avant tout test.
Ce que cette page NE fait pas : elle n’offre aucun mode d’emploi pour identifier ou pister un tiers à partir d’une photo. Elle ne fournit aucune tarification d’outils commerciaux. Elle n’établit pas d’affirmations juridiques sans référence officielle. Elle vise à expliquer comment mesurer et rapporter des performances de façon vérifiable.
Les métriques essentielles : définitions courtes et interprétation
Connaître les définitions empêche les malentendus. Voici les métriques à maîtriser et comment les lire dans un rapport.
TAR (True Acceptance Rate) : taux d’acceptation vraie. Mathématiquement TAR = 1 − FNMR. Utile pour la vérification 1:1. Toujours préciser le FAR auquel on rapporte le TAR.
FAR / FMR (False Accept Rate / False Match Rate) : taux auquel le système accepte un imposteur. Mesure critique pour la sécurité et le réglage des seuils.
FRR / FNMR (False Reject Rate / False Non‑Match Rate) : taux auquel un sujet légitime est rejeté. Important pour l’expérience utilisateur en 1:1.
EER (Equal Error Rate) : point où FAR = FRR. Souvent fourni comme résumé sur un jeu de données donné. Ne suffit pas à lui seul pour un déploiement opérationnel.
ROC / AUC : courbe et surface montrant le compromis entre vrais positifs et faux positifs. AUC apporte une vue générale, mais elle masque souvent les faibles FAR exploités en biométrie.
DET : courbe comparable à la ROC mais en échelle adaptée pour lire de faibles taux d’erreur ; souvent préférée en biométrie.
FPIR / FNIR (1:N) : métriques d’identification. Le FPIR dépend fortement de la taille et de la composition de la galerie.
Pour chaque métrique, indiquer le protocole de calcul, le seuil, la composition du jeu de test et l’intervalle de confiance. Un chiffre isolé sans contexte est peu exploitable.
Comment rapporter des résultats valides : protocole minimal exigé
La reproductibilité est une exigence. Les normes ISO/IEC 19795 définissent les principes de test et de reporting à respecter. Les recommandations NIST FRTE/FRVT indiquent de rapporter des TAR à des FAR opérationnels, et de fournir DET/ROC et incertitudes statistiques.
Un protocole minimal doit préciser :
Les jeux de test : origine, licence, date de collecte et URL si possible. Sans ces éléments, la vérification externe est impossible.
La séparation entraînement / test, ou la méthode de cross‑validation utilisée.
Les prétraitements appliqués : recompression, recadrage, normalisation, etc.
Le type de test : vérification 1:1 ou identification 1:N, avec procédure détaillée pour chaque cas.
Les seuils testés et les points d’exploitation rapportés (par exemple TAR à un ou plusieurs FAR choisis).
Les intervalles de confiance pour chaque métrique et la méthode statistique employée pour les estimer.
La version du modèle, les seeds et l’environnement d’exécution pour permettre la reproduction.
Ne pas se contenter d’un EER unique. Documenter au moins un ou plusieurs points TAR@FAR, fournir les courbes DET/ROC complètes et expliquer les conditions de test.
Cas pratiques : interpréter les métriques selon l’usage
Les métriques prennent sens dans le contexte. Voici trois cas types et les éléments de reporting attendus.
Cas A — Authentification d’un salarié (1:1) : le besoin opérationnel peut privilégier un faible FRR pour fluidifier l’accès. Le rapport doit lister TAR à des FAR exploités et documenter le jeu de test représentatif des conditions réelles (luminosité, appareils). Si une AIPD est exigée par la CNIL, le rapport doit le mentionner et pointer vers la procédure de conformité.
Cas B — Recherche d’un individu (1:N) : FPIR et FNIR sont au centre de l’analyse. La taille et la composition de la galerie doivent être explicites. L’identification biométrique à distance relève des dispositions de l’AI Act ; ce type d’usage nécessite un encadrement légal et une documentation claire de la base légale et des garanties.
Cas C — Comparatif R&D entre modèles : fournir DET/ROC, EER et TAR@FAR sur plusieurs jeux. Mesurer la robustesse aux recompressions, recadrages et attaques adversariales. Quantifier la variation démographique conformément à ISO/IEC 19795‑10.
Pour chaque cas, joindre annexes ou liens contenant jeux de données, scripts d’évaluation et seeds. Sans ces éléments, la réplication est compromise.
Limites, biais et pièges à éviter
Aucune technologie n’est sans faille. Les performances se dégradent face aux recompressions, recadrages, changements d’apparence (âge, maquillage, occlusions) et aux attaques adversariales. Des jeux d’entraînement non représentatifs produisent des biais démographiques documentés. La norme ISO/IEC 19795‑10 traite de la quantification de ces variations.
Éviter les présentations trompeuses : un score global sans seuil, dataset, date et intervalle de confiance cache des informations essentielles. Indiquer la date de relevé des mesures et rappeler que des mises à jour du modèle ou des évolutions techniques peuvent modifier les résultats.
Pour les outils de détection de deepfakes ou d’authenticité, signaler qu’ils fournissent des estimations probabilistes. Ils n’apportent pas une preuve définitive. Dans les contextes juridiques ou pénaux, l’analyse humaine demeure requise.
Checklist minimale pour une fiche d’évaluation exploitable
La publication d’un benchmark doit s’accompagner d’une fiche synthétique et d’un dossier technique. Au minimum, la fiche doit contenir :
Description du ou des jeux de test (URL, licence, date).
Taille et composition démographique des jeux.
Protocoles (vérification 1:1 ou identification 1:N) et seuils testés.
Métriques rapportées : TAR à FAR choisis, EER, courbes ROC/DET.
Intervalle de confiance et méthode statistique utilisée.
Tests de robustesse : recompression, recadrage, attaques adversariales.
Tests de variation démographique selon ISO/IEC 19795‑10.
Mention de conformité RGPD / AI Act si pertinente, avec la base légale déclarée par l’opérateur.
Fournir en annexes : scripts d’évaluation, seeds, versions logicielles et jeux ou liens vers les jeux. Sans ces pièces, la reproductibilité n’est pas atteinte.
Références recommandées à citer sur la page
Les sources primaires à utiliser pour appuyer les définitions et les recommandations :
NIST — Face Technology Evaluations (FRTE/FATE) overview et pages FRVT/FRTE : —.
NIST CSRC — False Accept Rate glossary : —.
ISO — ISO/IEC 19795‑1:2021 et ISO/IEC 19795‑10:2024 : pages de la collection ISO —.
NCBI Bookshelf — Biometric Recognition : —.
ScienceDirect — Recognition Rate overview : —.
Europarl — Smart Borders report (définitions TAR/FAR) :.
Julien Charron
vision par ordinateur, biométrie en entreprise, OCR
Julien couvre la vision par ordinateur et la biométrie en entreprise : pointeuses, contrôle d'accès, OCR, vision industrielle. Il confronte la documentation des éditeurs aux textes de la CNIL et aux retours d'utilisateurs.
Voir tous les articles de Julien Charron →
Mis à jour le 23 septembre 2026
