Le modèle Segment Anything Model 3 (SAM3) a suscité une forte réaction dans la communauté du vision par ordinateur, tant par sa puissance que par sa capacité à segmenter des objets à partir de prompts textuels grâce à son architecture vision-langage. Avec plus de 840 millions de paramètres, SAM3 excelle dans des tâches zero-shot, notamment en détection d’objets, suivi vidéo et segmentation 3D. Pourtant, malgré son potentiel, une question cruciale se pose en environnement de production : peut-il surpasser des modèles spécialisés, entraînés sur de petites quantités de données, en conditions autonomes ? Une série de benchmarks menée sur cinq jeux de données couvrant la détection d’objets, la segmentation instance et la détection de sujets (saliency), a permis de comparer SAM3 à des modèles spécialisés comme YOLOv11-Large, YOLOv11-Medium ou ISNet. Les résultats, bien que détaillés, révèlent une tendance claire : dans des scénarios réels et contraints, les modèles spécialisés l’emportent souvent, même avec un budget de calcul limité (6 heures) et peu de données. Dans la détection d’objets (Global Wheat Detection), YOLOv11-Large a surpassé SAM3 de 12,4 % en AP50, malgré des boîtes plus larges. Cela s’explique par une meilleure correspondance aux annotations réelles, notamment pour les barbes du blé. Sur le dataset CCTV-Weapon-Detection (131 images), YOLOv11-Medium a battu SAM3 de 20,5 % en AP, malgré une taille de données extrêmement réduite — une preuve que même un petit jeu de données bien ciblé peut surpasser un modèle généraliste. En segmentation instance, les résultats sont encore plus marquants. Sur le dataset Concrete Crack Segmentation, YOLOv11-Medium-Seg a devancé SAM3 de 47,7 % en AP, principalement en rappel, ce qui montre que SAM3 peine à capter les structures fines et complexes des fissures. Sur le dataset de segmentation des cellules sanguines, le modèle spécialisé a gagné de 23,6 %, malgré une structure d’image favorable aux modèles fondationnels. Le cas le plus éloquent est celui du dataset EasyPortrait, pour la séparation de sujets dans les portraits. Malgré une résolution d’entraînement réduite (640×640) et un entraînement court (16 époques), ISNet a surpassé SAM3 de 0,25 % en Dice coefficient. L’analyse visuelle révèle une supériorité nette sur les cheveux : le modèle spécialisé produit des bords plus naturels, avec une transparence organique, tandis que SAM3 génère des contours « boîteux » et artificiels. Le MAE (erreur absolue moyenne) montre une avance de 27,9 % pour ISNet — une différence visuellement significative. Ces résultats confirment que, dans un contexte de production, les modèles spécialisés offrent des avantages décisifs : efficacité matérielle (pas besoin de H100), coût réduit, contrôle total sur le modèle, capacité à réentraîner face aux cas limites, et meilleure performance sur des tâches bien définies. SAM3 reste un outil exceptionnel pour le prototypage, l’annotation manuelle ou les scénarios où les catégories ne sont pas prédéfinies. Mais pour une solution scalable, fiable et rentable, le modèle expert reste le choix optimal. En somme, SAM3 est un assistant visionnel de premier ordre, mais pas un substitut à la spécialisation. L’avenir de la vision par ordinateur ne réside pas dans le remplacement des modèles spécialisés par des géants généralistes, mais dans leur complémentarité : utiliser les fondationnels pour accélérer le développement, puis déployer des experts pour la production. Expertise : Auteur ingénieur en vision par ordinateur avec 8 ans d’expérience dans le déploiement de modèles en production. Spécialisé dans l’optimisation de modèles pour des environnements réels, notamment dans les domaines agricole, de sécurité et médical. Utilise régulièrement YOLOv11, ISNet et des pipelines d’entraînement customisés avec PyTorch et WandB.