Le comparatif
que nous osons publier.
Nous avons fait tourner VYVRE v7.0 sur 300 visages publics UTKFace, répartis par âge (18-80 ans), aux côtés de DeepFace, InsightFace et OpenCV DNN. Voici les résultats, bons et mauvais, sans filtre.
Tous les moteurs comparés sont open source · aucune clé d’API requise
Erreur absolue moyenne (MAE)
face à l’âge réel UTKFace.
| Moteur | MAE (ans) |
|---|---|
| InsightFace buffalo_l | 7,97 ±0,37 |
| DeepFace age_model | 8,84 ±0,44 |
| OpenCV DNN AgeNet | 12,52 ±0,62 |
| VYVRE v7.0 (âge perçu) | 12,89 ±0,54 |
SE = erreur-type de la moyenne. Biais signé : positif = surestimation systématique de l’âge ; négatif = rajeunissement systématique.
Sur l’ensemble des 18-80 ans, VYVRE perd face à DeepFace et InsightFace. Ce sont des réseaux de neurones profonds entraînés sur des dizaines de milliers de visages annotés (IMDB-WIKI, AgeDB). VYVRE est une chaîne photométrique fondée sur des publications à comité de lecture, calibrée sur une cohorte interne de 12 personnes : le combat est asymétrique.
Nous le publions malgré tout, car l’enjeu de VYVRE n’est pas la précision absolue : c’est l’explicabilité (8 indicateurs traçables jusqu’à des sources à comité de lecture, pas une note cachée de boîte noire), la souveraineté (tout se passe dans le navigateur, aucune image ne quitte l’appareil) et le refus assumé de noter une image trop dégradée plutôt que d’afficher un chiffre flatteur.
Pour le meilleur estimateur d’âge brut, choisissez InsightFace. Pour offrir à vos clientes une analyse de peau transparente, conforme au RGPD et sans envoi vers un serveur, VYVRE reste pertinent.
Là où VYVRE brille,
et là où c’est plus dur.
VYVRE est calibré sur une cohorte de 12 personnes, âgées pour la plupart de 30 à 50 ans (fondateurs et proches). La tranche 30-44 ans est notre cœur de cible (le soin haut de gamme), et c’est là que le moteur est le plus juste.
| Tranche | n | VYVRE | DeepFace | InsightFace | OpenCV |
|---|---|---|---|---|---|
| 18-29 | 80 | 16,69 | 8,35 | 9,58 | 9,46 |
| 30-44 ★ cible | 100 | 5,75 | 2,20 | 4,03 | 8,66 |
| 45-59 | 80 | 11,31 | 10,69 | 8,87 | 13,17 |
| 60-80 | 40 | 26,32 | 22,70 | 12,82 | 26,97 |
Tous les chiffres sont des MAE, en années. En couleur : le meilleur de la ligne. La tranche 30-44 ans, notre cœur de cible, est mise en évidence.
Sur les 30-44 ans,
VYVRE devance OpenCV de 33 %.
Analyse visage par visage : sur le cœur de cible (femmes de 30 à 44 ans, soin haut de gamme), VYVRE remporte 61 % des duels face à OpenCV DNN. Face à DeepFace et InsightFace, il reste derrière, mais l’écart se resserre (de 1,7 à 3,5 ans de MAE).
MAE OpenCV DNN : 8,66 ans
MAE InsightFace : 4,03 ans
MAE DeepFace : 2,20 ans
Quatre choses
que les autres ne savent pas faire.
Dans le navigateur, sans aucun envoi
VYVRE fonctionne entièrement dans le navigateur (WebGL et Canvas). Aucune image n’est envoyée à un serveur. DeepFace et InsightFace exigent une infrastructure Python côté serveur, donc tout un circuit RGPD : stockage temporaire, DPA, sous-traitant, sécurité. VYVRE tient en un seul fichier JavaScript.
8 mesures de peau, en plus de l’âge
Les moteurs comparés ne rendent qu’un chiffre : l’âge. VYVRE v7.0 mesure aussi l’hydratation, l’éclat, la fermeté, les pores, la sensibilité, la pigmentation, les rides et le sébum, chaque mesure étant adossée à une publication indexée dans PubMed (Chardon, Takiwaki, Stamatas, Mizukoshi). Un dermatologue peut en auditer la logique ligne par ligne.
Refus assumé sous 40 de qualité
Quand la lumière est mauvaise ou le visage flou, VYVRE refuse (scan_quality_too_low) plutôt que d’afficher un chiffre trompeur. DeepFace, OpenCV et InsightFace donnent toujours un nombre, même sur une image dégradée. Pour une analyse de peau, ce refus est une qualité, pas un défaut.
Une chaîne photométrique, pas une boîte noire
VYVRE, c’est CIELAB, l’ITA°, les indices de mélanine et d’érythème, une approximation optique de la perte insensible en eau (TEWL). Tout se ramène à des formules vérifiables. Les réseaux profonds restent opaques : leurs biais (origine, genre, éclairage) sont documentés mais, par construction, impossibles à auditer. VYVRE rend la mesure explicable au DPO comme au dermatologue consultant.
Ni raccourci, ni retouche.
Le protocole complet est disponible.
Jeu de données
nu-delta/utkface (23 705 visages). Échantillon stratifié de 300 images (18-29 ans : 80 ; 30-44 : 100 ; 45-59 : 80 ; 60-80 : 40), tiré avec la graine 42.Préparation des images
Moteurs comparés
DeepFace 0.0.100 (Serengil, age_model_weights.h5 de 539 Mo, backend opencv, enforce_detection=False).
InsightFace buffalo_l (det_10g + genderage.onnx, ctx_id=-1 sur processeur, det_size 320×320).
OpenCV DNN AgeNet (Levi & Hassner 2015, Caffe, 8 classes Adience, décodage continu par espérance : milieu de classe × probabilité).
Mesure principale
Réserves
Reproductibilité
Pour aller plus loin.
· Zhang Z, Song Y, Qi H (2017) — "Age Progression/Regression by Conditional Adversarial Autoencoder", CVPR. UTKFace dataset.
· Levi G, Hassner T (2015) — "Age and Gender Classification using Convolutional Neural Networks", IEEE CVPR Workshops. Adience AgeNet.
· Rothe R, Timofte R, Van Gool L (2018) — "Deep expectation of real and apparent age from a single image without facial landmarks", IJCV. DEX model on IMDB-WIKI.
· Serengil S (2020-2025) — DeepFace open-source library, github.com/serengil/deepface.
· Guo J, Deng J et al. (2018-2024) — InsightFace toolkit, github.com/deepinsight/insightface.
· Cao W, Mirjalili V, Raschka S (2019) — "Rank-consistent ordinal regression for neural networks" (CORAL).
· Yang TY, Huang YH, Lin YY, Hsiu PC, Chuang YY (2018) — "SSR-Net: A Compact Soft Stagewise Regression Network for Age Estimation", IJCAI.
Envie de reproduire ?
Le protocole complet, sur demande.
Nous transmettons la chaîne complète (5 scripts Python et Node, jeu de données stratifié) aux DPO, dermatologues consultants et équipes R&D. Vous la relancez en 4 minutes sur votre poste et vérifiez chaque chiffre.