Chercher dans ses photos en les décrivant, sans que l’IA les regarde
Lecture : 16 min
Tu peux chercher dans tes photos en tapant une phrase en français, comme « une forêt enneigée » ou « quelqu’un de dos face à la montagne », et récupérer le bon fichier en quelques secondes.
Ce qui surprend, c’est le mécanisme. La machine ne regarde pas tes images pour les décrire. Elle calcule une seule fois, sur ton ordinateur, une empreinte mathématique par photo.
Ta phrase devient une empreinte du même type, et l’ordinateur compare des nombres entre eux.
Conséquence directe : tes photos ne quittent jamais ton disque, et l’assistant qui te répond ne voit que des chemins de fichiers et des scores. Jamais un pixel.
C’est ce que j’ai construit pour moi, sous forme d’un skill Claude Code que je lance en français.
J’ai des années de photos et de vidéos en stock, et jusque-là je n’en utilisais aucune. Retrouver la bonne me prenait vingt minutes. Maintenant je la décris, il me la sort, et il me la met de côté dans un dossier si je lui demande.
Dans cet article : pourquoi ça marche sans regarder, ce que ça donne en conditions réelles, et où se situe exactement la frontière quand tu acceptes qu’une IA regarde vraiment tes images.
Tu préfères regarder plutôt que lire ? La vidéo montre les tests en direct, y compris ceux que je n’avais pas préparés.
Le vrai problème, ce n’est pas le texte, c’est l’habillage
Avant de chercher dans ses photos, il faut se demander pourquoi on ne le fait jamais. Quand on parle de créer du contenu avec l’IA, tout le monde pense au texte. Le script, le post, la légende.
Mais si tu publies régulièrement, ce n’est plus vraiment là que ça coince. Le point de blocage, c’est l’habillage visuel. L’image de fond du carrousel, le plan de coupe du Short, la photo qui illustre un article.
Et cet habillage, tu l’as déjà. Il dort sur ton disque.
En 2025, plus de 2 100 milliards de photos ont été prises dans le monde, dont 94 % au smartphone, selon les estimations de Photutorial relayées par Phototrend.
Toi et moi, on alimente ce stock tous les jours. Sauf qu’un stock qu’on ne retrouve pas, c’est un stock qui n’existe pas.
Le nom du fichier ne t’aide pas. IMG_3368.JPG ne dit rien. Les dossiers par date non plus, parce que tu ne cherches jamais « octobre 2022 », tu cherches « de l’eau qui coule ».
Voilà la douleur réelle. Ce n’est pas la page blanche de l’écriture, c’est la page blanche visuelle.
Chercher, ce n’est pas décrire
C’est la phrase que je garde en tête depuis que j’ai construit cet outil, et c’est tout le mécanisme.
Une IA qui décrit une image doit la regarder. Elle l’ouvre, elle l’analyse, elle produit du texte. Pour ça, l’image doit arriver jusqu’au modèle, donc partir chez quelqu’un.
Une IA qui cherche ne fait rien de tout ça. Elle transforme les images et les mots en points dans un même espace, puis elle mesure des distances. Il n’y a aucune description au milieu.
L’index, une fiche par image, calculée une seule fois
Au premier lancement, l’outil parcourt ton dossier et calcule une empreinte par image. C’est ce que j’appelle une fiche. En vocabulaire technique, c’est un vecteur.
Cette étape est la seule qui prend du temps. Plus ton ordinateur est puissant, plus elle va vite. Et surtout, elle ne se fait qu’une fois : les fichiers déjà vus sont sautés au passage suivant, donc tu ne réindexes que les nouveautés.
L’index se pose dans un sous-dossier caché, à côté de tes photos. C’est un cache. Si tu le supprimes, tu ne perds aucune image, tu perds seulement le temps de recalcul.
Ta phrase devient un point dans le même espace
Le modèle utilisé a été entraîné à rapprocher une image et la légende qui va avec. C’est exactement l’idée de CLIP, publié par OpenAI en 2021.
Selon Alec Radford et son équipe, « the simple pre-training task of predicting which caption goes with which image is an efficient and scalable way to learn SOTA image representations ». Autrement dit : apprendre quelle légende va avec quelle image suffit à comprendre ce que contiennent les images.
Le chiffre qui donne l’échelle : ce modèle a été entraîné sur 400 millions de paires image-texte collectées sur internet.
C’est pour ça que ta phrase fonctionne sans que tu aies jamais tagué quoi que ce soit. Le lien entre les mots et les images a été appris ailleurs, une fois pour toutes, avant d’arriver chez toi.
Le moteur que j’utilise par défaut est SigLIP 2, sorti chez Google. Selon Michael Tschannen et ses co-auteurs, c’est « a family of new multilingual vision-language encoders » qui améliore son prédécesseur sur la recherche image-texte. Multilingue, donc ta requête en français marche directement, sans traduction.
Ce que l’assistant voit vraiment
C’est le point qui rassure le plus les gens à qui je montre ça.
Quand je demande une photo à Claude Code, il lance le script et il récupère une liste de chemins de fichiers avec des scores de correspondance. Il ne lit que du texte. Il ne charge aucune image, il n’en décrit aucune, il n’en envoie aucune.
Après le téléchargement du modèle, qui se fait une fois, tout tourne hors ligne. Zéro clé API, zéro compte, zéro serveur.
Une nuance que je veux poser proprement, parce que je l’ai dite un peu vite dans la vidéo : c’est bien un modèle d’intelligence artificielle qui tourne. Simplement, il ne fait pas le métier qu’on lui prête.
Il compare, il ne raconte pas. Et il n’a aucune notion d’identité, donc il ne sait pas qui est qui sur tes photos.
Ce que ça donne en conditions réelles
La théorie est une chose. Chercher dans ses photos pour de vrai, avec sa propre matière et ses trous, en est une autre. J’ai filmé mes tests sans filet, y compris ceux que je n’avais pas préparés.
Combiner plusieurs critères dans une seule phrase
C’est là que le modèle récent fait la différence. Au lieu de demander « des photos de montagne », je demande « un paysage de montagne avec des fleurs au premier plan ».
Il ne traite pas ça comme deux mots-clés à cocher. Il cherche la scène entière.
Le levier à retenir : dis ce que tu veux illustrer, pas juste ce qu’il y a dans l’image. « Ambiance calme et apaisante » sort de meilleurs résultats que « eau ».
Chercher dans ses vidéos, avec le moment exact
Les vidéos entrent dans l’index aussi. L’outil en extrait des images fixes à intervalle régulier, toutes les cinq secondes par défaut, et il indexe ces images-là.
Résultat : quand je cherche « de l’eau qui coule, rivière ou cascade », il me sort les vidéos concernées avec le timecode. Le moment précis où ça se passe.
Et les photos avec, dans le même classement. Ces deux-là sont sorties en tête :
Pour du montage, ça change tout. Tu ne fouilles plus un rush de douze minutes, tu vas directement à 1:35.
La requête impossible : le classement te prévient
Test que je n’avais pas préparé : « un rocher en train de tomber ». Je n’ai pas ça en photo.
Ce qui s’est passé vaut le détour. Les scores sont ressortis très bas et tassés, et l’assistant me l’a signalé avant même de m’ouvrir quoi que ce soit, en me disant qu’aucune photo ne correspondait vraiment et qu’il valait mieux reformuler.
C’est un détail qui compte énormément. Un outil qui te sort dix résultats avec le même aplomb, qu’il ait trouvé ou pas, te fait perdre du temps. Là, le classement lui-même te dit quand il n’a rien.
Au passage, il a quand même sorti une falaise avec un bloc décroché, calé contre la paroi. Et surtout ça :
Les photos pièges : il ne devine pas
J’avais glissé une vingtaine de photos sans aucun rapport dans le dossier de test. Une boule de pétanque, une batterie pour enfants, un objet posé sur un bureau.
Sur toutes mes recherches de nature, elles ne sont jamais ressorties. Elles sont apparues seulement quand j’ai demandé « des photos d’objets », ce qui est logique.
Il ne remplit pas les trous pour te faire plaisir. Il classe, et quand il n’y a rien, ça se voit dans les scores.
De la recherche à la curation : le dossier prêt à l’emploi
Chercher, c’est la moitié du travail. L’autre moitié, c’est de rassembler la sélection quelque part.
L’outil le fait dans la foulée : tu lui demandes de mettre les résultats de côté, et il te crée un dossier avec les fichiers dedans, prêt à passer à ton carrousel ou à ton montage.
Trois garde-fous, et ils ne sont pas négociables pour moi :
- Il copie, il ne déplace jamais. Tes originaux restent où ils sont.
- Il n’écrase rien. Un fichier de même nom reçoit un suffixe.
- Il ne supprime rien, jamais.
Une vidéo copiée reste une vidéo, avec son timecode indiqué. On n’en extrait une image fixe que si tu le demandes, parce qu’une image tirée d’une vidéo est souvent de qualité moyenne.
C’est ce dossier qui fait le pont avec le reste. Si tu prépares un carrousel, ta matière visuelle est rassemblée avant même que tu ouvres ton outil de montage.
Le même principe que quand j’ai voulu retrouver le style d’une image avec l’IA : l’outil ne remplace pas ton œil, il t’amène juste au bon endroit beaucoup plus vite.
Niveau 1 ou niveau 2 : la question qui compte pour tes données
J’ai séparé le skill en deux niveaux, volontairement. Ce n’est pas une gradation de puissance, c’est une frontière de consentement.
Niveau 1, le tri aveugle
C’est le mode par défaut, celui décrit jusqu’ici. Rien ne quitte ta machine. L’outil sort les photos pertinentes, mais il n’a aucune notion de beauté, de composition, ni du contenu que tu es en train de préparer.
Il te donne les candidates. Le choix reste le tien.
Niveau 2, le jugement esthétique
Là, tu changes de mécanisme. Tu prends le petit lot que le niveau 1 a mis de côté, dix ou quinze photos que tu as déjà validées, et tu demandes à l’IA de les regarder pour choisir la meilleure.
Je l’ai fait pour un carrousel sur le thème « ralentir, se déconnecter ». La réponse m’a donné la photo et la raison.
Aucun score de correspondance ne peut te dire ça. C’est du jugement, pas du classement.
Mais soyons clairs sur le prix : à ce moment précis, ces images partent en ligne chez le fournisseur du modèle. C’est un choix, il se fait en connaissance de cause, et il ne porte que sur ce petit lot, jamais sur ta bibliothèque entière.
Le niveau 1 reste le défaut. Le niveau 2 est une porte que tu ouvres toi, photo par photo.
C’est la même logique de palier que dans les 4 niveaux de création de contenu avec l’IA : le bon niveau n’est pas le plus haut, c’est celui qui correspond à ce que tu acceptes de donner.
Les limites, dites franchement
Un outil qu’on présente sans ses limites, on les découvre par soi-même deux jours plus tard. Autant les poser.
Plus ta demande est abstraite, moins c’est pertinent. « Objet » ou « joli » donnent des résultats mous. « Silhouette à contre-jour au bord de l’eau » fonctionne.
Il ne reconnaît pas les personnes. Si tu demandes « moi face à la montagne », il te sortira une personne de dos face à la montagne, ce qui n’est pas la même chose. C’est une limite, et c’est aussi une protection.
Il faut de la matière. Sur un petit dossier de test, les scores sont serrés et bas, parce qu’aucune image ne colle vraiment. Plus ta banque est fournie, plus les résultats sont tranchés.
La première indexation est lente sur un processeur classique. Le modèle le plus fort pèse environ 1,7 Go et travaille image par image. À l’échelle de milliers de photos, c’est un traitement à lancer le soir.
Il existe un moteur plus léger, autour de 600 Mo, qui indexe beaucoup plus vite mais perd en finesse sur les scènes composées.
Google Photos est hors jeu. L’accès des applications tierces à la bibliothèque a été fermé.
Google indique que les autorisations photoslibrary.readonly, photoslibrary.sharing et photoslibrary ont été retirées après le 31 mars 2025, et que désormais « you can now only list, search, and retrieve albums and media items that were created by your app » dans sa documentation officielle.
Concrètement, aucun outil ne peut fouiller ton Google Photos à ta place. Le geste, c’est d’exporter ce qui t’intéresse dans un dossier local, puis de pointer l’outil dessus.
Chercher dans ses photos : comment le mettre en place chez toi
Le principe est reproductible avec n’importe quel outil de recherche par description en local. Voilà la version que j’utilise, dans Claude Code.
- Un dossier de travail. Pas toute ta photothèque : le sous-ensemble que tu peux réellement publier. Chez moi, ce sont les photos utilisables à titre professionnel. Ce tri-là reste humain, et c’est mieux ainsi.
- Une initialisation, une seule fois. Je tape
/banque-visuels init. L’outil installe le moteur, télécharge le modèle, puis indexe le dossier que je lui donne. C’est le seul moment où quelque chose passe par internet. - Ensuite, tu cherches en français.
/banque-visuels une forêt enneigée, ou en phrase complète : « regarde dans ma banque visuelle, cherche une forêt enneigée et ouvre-la-moi ». Les deux marchent. - Tu affines. Demande-lui d’ouvrir les premiers résultats pour valider à l’œil, ou de mettre la sélection de côté dans un dossier.
- Tu réindexes de temps en temps. Tu déposes ta nouvelle matière dans le dossier, tu relances, il ne traite que les nouveaux fichiers.
Un point pratique qui fait gagner beaucoup de temps : le classement ne s’arrête pas au nombre de résultats affichés.
Le nombre que tu demandes est un plafond d’affichage, pas un filtre. L’outil classe tout, et la pertinence décroît doucement.
Si les cinq premiers ne te plaisent pas, monte à vingt ou trente et regarde où ça décroche vraiment.
Ce que ça change, concrètement
- Tes archives redeviennent utilisables. C’est de la matière que tu as déjà payée en temps et en vie.
- Tu cherches par intention, pas par nom de fichier ni par date.
- Tes images restent chez toi tant que tu n’as pas décidé le contraire.
- Tes vidéos deviennent une source de plans de coupe, avec le moment exact.
- La préparation visuelle d’un contenu passe de vingt minutes de fouille à une phrase.
Il y a vingt semaines, pour un carrousel, j’avais fait la sélection à la main. Aujourd’hui j’ai un outil qui va chercher les photos et un autre qui monte le carrousel. Le gain de temps est difficile à surestimer.
Si tu veux ta banque de visuels cherchable en français, en local sur ton ordinateur, je te donne le skill dans ma communauté gratuite.
Rejoindre la Tribu des Libreneurs
Tu y trouveras le skill à télécharger, avec un guide pour installer Claude Code si tu débutes. C’est gratuit.
Questions fréquentes
Est-ce que l’IA voit mes photos quand elle les indexe ?
Non, au niveau 1. Le calcul de l’empreinte se fait sur ton ordinateur et rien n’est envoyé. L’assistant qui te répond ne reçoit que des chemins de fichiers et des scores. Seul le niveau 2, que tu déclenches explicitement, fait partir un petit lot d’images en ligne.
Est-ce que ça marche aussi sur les vidéos ?
Oui. L’outil extrait des images fixes à intervalle régulier, cinq secondes par défaut, et les indexe. Quand une vidéo ressort, tu obtiens le timecode du passage qui correspond, donc tu vas directement au bon moment.
Est-ce que ça reconnaît les visages de ma famille ?
Non, le modèle n’identifie personne. Il compare le sens général d’une scène. Une recherche « moi à la montagne » te renverra n’importe quelle personne de dos face à une montagne.
Combien de temps prend la première indexation ?
Cela dépend de la puissance de ta machine et du nombre de fichiers. Sur un processeur classique et plusieurs milliers de photos, c’est un traitement de nuit avec le modèle le plus précis, beaucoup plus rapide avec le modèle léger. Ensuite c’est incrémental : seuls les nouveaux fichiers sont traités.
Est-ce que mes photos risquent d’être déplacées ou supprimées ?
Non. L’outil copie uniquement, il n’écrase aucun fichier existant et il ne supprime rien. L’index lui-même est un cache régénérable, posé à côté de tes images sans y toucher.
Faut-il un abonnement pour chercher dans ses photos par description ?
Non. Le moteur de recherche tourne en local et ne coûte rien à l’usage. La seule dépense possible est l’outil qui te sert d’interface, et le téléchargement unique du modèle, qui est gratuit.
Pourquoi certaines recherches ne donnent rien de bon ?
Deux causes principales : une demande trop abstraite, ou une banque trop petite. Quand aucune image ne correspond, les scores sortent bas et resserrés, et c’est justement le signal qu’il faut reformuler plutôt qu’insister.
Tes archives valent mieux que le dossier où elles dorment. Rends-les cherchables une fois, tu ne reviendras pas en arrière.
Sources : CLIP, Radford et al., OpenAI · SigLIP 2, Tschannen et al., Google · Photutorial via Phototrend · Google Photos APIs updates
D'AUTRES ARTICLES QUI POURRAIENT VOUS INTÉRESSER
