En 2020, j’avais expliqué comment j’avais supprimé gratuitement les arrière-plans de 11 782 fichiers JPG à l’aide de l’IA.

À l’époque, la solution faisait appel à Python, TensorFlow, U-2-Net, Google Colab, Jupyter Notebook et une série de scripts que j’avais modifiés pour le projet. Cela a fonctionné — et a pris en charge environ 95 % du travail — mais ce n’était pas vraiment un processus convivial.

Je devais importer les images par lots d’environ 1 000, connecter Colab à Google Drive, exécuter les scripts, télécharger les résultats et tout réinitialiser avant de lancer le lot suivant.

Il m’a fallu environ deux semaines pour mener à bien l’ensemble du projet : recherche, développement et perfectionnement.

C’était gratuit, mais ce n’était certainement pas pratique.

Six ans plus tard, j’ai de nouveau été confronté au même problème.
 

Un nouveau projet, 600 images supplémentaires

Aujourd’hui, nous avons commencé à travailler sur un projet qui nous a amenés à mettre à jour environ 600 images au format JPG.

Une fois de plus, il fallait supprimer les arrière-plans et enregistrer les images finales au format PNG transparent. Les fichiers d’origine devaient également rester intacts, et comme les images étaient organisées en dossiers et sous-dossiers, le résultat final devait conserver cette structure.

J'aurais pu revenir à l'ancien workflow Colab. J'aurais également pu télécharger les fichiers sur l'un des nombreux services en ligne de suppression d'arrière-plan qui existent aujourd'hui.
Mais je me suis dit : il devrait exister une application de bureau simple pour cela.

J'en ai donc créé une.
 

Présentation de Drive Background Remover

Drive Background Remover est un utilitaire Windows gratuit conçu pour supprimer en masse les arrière-plans des images.

Il suffit de sélectionner des images individuelles ou un dossier entier, de choisir un emplacement de sortie, puis de laisser l'application traiter le lot. Chaque image traitée est enregistrée au format PNG transparent sans modifier ni écraser l'original.
L'application permet de :

• Traiter des images aux formats JPG, JPEG, PNG, WebP et BMP
• Ajouter des dossiers entiers en une seule fois
• Analyser les sous-dossiers (en option)
• Recréer la structure de dossiers d’origine dans le répertoire de sortie
• Conserver les noms de fichiers d’origine
• Éviter d’écraser les fichiers de sortie existants
• Traiter les images entièrement sur l’ordinateur local
• Générer automatiquement des fichiers PNG transparents

Plusieurs paramètres de qualité sont également disponibles. Le modèle « Fast » inclus fonctionne immédiatement, tandis que les modèles « Balanced » et « High Quality », plus volumineux, peuvent être téléchargés si nécessaire.
 

Il n'utilise pas de modèle de langage de grande envergure (LLM) pour traiter les images

Comme tout est soudainement qualifié d’« IA », il convient d’expliquer ce que fait réellement l’application.

Drive Background Remover n’envoie pas d’images à ChatGPT ni à un autre grand modèle linguistique. Elle utilise des modèles de vision par ordinateur spécialement conçus pour séparer le sujet d’une image de son arrière-plan.

L’application est développée avec Python, rembg, ONNX Runtime et PySide6. Les modèles de traitement d’image s’exécutent directement sur l’ordinateur de l’utilisateur.

Cela signifie que les images ne sont pas envoyées à Drive Marketing, à un fournisseur de modèles linguistiques à grande échelle (LLM) ni à une API de traitement d’image dans le cloud. Une fois le modèle requis disponible, le traitement peut s’effectuer hors ligne.

Pour la photographie de clients et de produits, le fait de conserver les fichiers en local constitue un avantage non négligeable.

Deux semaines contre un après-midi

Il m’a fallu environ deux semaines pour mener à bien le projet initial.

L’application Windows décrite dans cet article m’a pris un après-midi — et j’ai travaillé sur d’autres parties du projet du client entre deux requêtes.

On ne saurait trop insister sur cette différence.

Des outils tels que ChatGPT et Claude Code ont radicalement changé ma façon d’aborder le développement logiciel. Ils me permettent de passer d’une idée à une implémentation fonctionnelle beaucoup plus rapidement, en particulier lorsqu’un projet implique des bibliothèques, des systèmes de gestion des paquets ou des comportements spécifiques à un système d’exploitation qui ne me sont pas familiers.

Cependant, je ne qualifierais pas ce projet de « codé à l’instinct », du moins pas au sens où ce terme est habituellement utilisé.

Je n’ai pas généré une montagne de code, supposé qu’il fonctionnait et publié le résultat.

Le projet était associé à un dépôt GitHub en bonne et due forme dès le début. J’ai revu le code, testé l’application, diagnostiqué les erreurs, pris des décisions architecturales et codé manuellement les modifications lorsque cela était nécessaire.

ous avons dû composer avec les restrictions de sécurité de Windows, les dépendances des modèles, la gestion des noms de fichiers, les structures de dossiers imbriquées, la conception de l’interface, l’identité visuelle, le packaging et le comportement du programme d’installation.

L’outil a été recompilé et testé à plusieurs reprises au fur et à mesure que ces décisions étaient prises.

L’IA a accéléré la mise en œuvre, mais elle n’a pas assumé la responsabilité du résultat. Celle-ci m’incombait toujours.

Le codage n'est qu'une partie du développement

Ce projet montre également pourquoi ces outils peuvent s’avérer particulièrement puissants entre les mains de développeurs traditionnels.

L’écriture de code ne représente probablement qu’environ 30 % du développement logiciel proprement dit.

Le reste consiste à comprendre le problème, à définir les exigences, à choisir une architecture, à évaluer les dépendances, à anticiper les cas limites, à examiner les résultats, à tester le comportement, à prendre des décisions en matière de sécurité et à déterminer ce que le logiciel doit — et ne doit pas — faire.

Par exemple, supprimer l’arrière-plan d’une image n’a jamais été le véritable problème.

Le véritable problème consistait à mettre en place un flux de travail capable de traiter en toute sécurité des centaines de fichiers sans écraser les originaux, de conserver les noms de fichiers, de répliquer les sous-dossiers, de gérer les conflits de résultats, de proposer différents niveaux de qualité, de fonctionner hors ligne et de rester compréhensible pour quelqu’un n’ayant jamais utilisé Python.

Il s’agit là de décisions relatives au produit et à l’ingénierie. La génération de code n’est qu’une partie de leur mise en œuvre.

Un développeur qui comprend déjà ces responsabilités peut utiliser les outils d’IA comme un accélérateur extrêmement efficace. Il peut reconnaître quand une suggestion est erronée, identifier les exigences manquantes, examiner la mise en œuvre et réorienter le travail avant qu’une petite erreur ne devienne un problème structurel.

L’IA n’élimine pas la valeur de l’expérience en développement. Dans des projets comme celui-ci, elle l’amplifie.

D'un Notebook à une application Windows

L’autre aspect intéressant de cette nouvelle approche du problème a été de constater à quel point la technologie sous-jacente s’était améliorée.

En 2020, j’apprenais comment Jupyter Notebook, Google Colab, TensorFlow et U-2-Net s’articulaient entre eux. Le workflow final fonctionnait, mais il s’agissait essentiellement d’une expérience technique adaptée pour résoudre un véritable problème métier.

Cette fois-ci, j’ai pu transformer cette même idée de base en une application Windows classique.

Il n’y a pas de notebooks à configurer, pas de blocs de code à exécuter et pas de dossiers Google Drive à reconnecter. L’utilisateur n’a pas besoin d’installer Python et n’a pas besoin de comprendre le fonctionnement du modèle.

Il suffit de télécharger le programme d’installation, de lancer l’application, de sélectionner les images et de choisir l’emplacement où les fichiers PNG transparents doivent être enregistrés.

C’est tout le workflow.

Et qu'en est-il des résultats ?

Comme je l’ai souligné dans l’article original, la suppression automatique de l’arrière-plan n’est pas parfaite.

Les résultats dépendent fortement de l’image. Un produit aux contours bien définis sur un arrière-plan contrasté donnera généralement de meilleurs résultats que des objets transparents, des cheveux fins, des ombres ou un sujet dont les couleurs sont similaires à celles de l’arrière-plan.

Pour un lot important, je recommande tout de même de passer en revue les images finales et de corriger manuellement les fichiers importants présentant des artefacts.

L’objectif n’est pas nécessairement d’éliminer chaque seconde de travail manuel. Il s’agit d’automatiser les tâches répétitives (90 à 95 %) afin que le graphiste n’ait plus qu’à se concentrer sur les exceptions.

Pour des centaines, voire des milliers d’images, cela fait une différence considérable.

Télécharger Drive Background Remover

Drive Background Remover est actuellement disponible pour Windows 11.

L'application fonctionne en local, ne nécessite pas de compte et ne modifie pas les images d'origine.

Télécharger Drive Background Remover pour Windows

Il y a six ans, résoudre ce problème prenait environ deux semaines, nécessitait une série de scripts et un workflow Google Colab un peu compliqué.

Aujourd’hui, j’ai réussi à en faire une application Windows prête à l’emploi en un après-midi, tout en continuant à travailler sur le projet client qui en a fait naître le besoin.

C’est ce qu’on appelle un progrès.