Si l’on mise toujours plus au niveau SEO sur la recherche vocale, la position zéro ou encore le Core Web vitals, le SEO des images sur le web est souvent oubliée. Aujourd’hui, grâce à l’optimisation des contenus images, la recherche visuelle, la recherche d’images donne le meilleur résultat dans la recherche universelle. Le search lié aux visuels, la recherche d’images est un domaine qui a très bien évolué en 2020 avec des améliorations tant au niveau de l’interface, de la navigation que dans la reconnaissance des contenus.
Dans ce guide, vous comprendrez mieux la place de la recherche visuelle dans l’univers la recherche web et mobile, ses évolutions et les différentes technologies des moteurs de recherche dans la recherche d’images tout comme les meilleures stratégies pour rendre visible et accessible vos contenus visuels.
La place de la recherche des images dans la recherche globale
Sommaire
Confirmée par une étude très fiable réalisée conjointement par l’agence SparkToro avec l’entreprise Jumpshot (collecteur et fournisseur de données anonymisées au niveau du parcours de clics), 22,6% de tous les clics qui ont été réalisés sur différents moteurs de recherche mobile et web (navigateurs et applications ) appartenaient à Google Images.
Google Images se positionne aujourd’hui comme le 2ème moteur de recherche au monde. Google et ses applications détiennent plus de 90 % de toutes les recherches en 2018 (+1,5% par rapport à 2015). Nous pouvons dire sans nous tromper que cette domination se poursuivra certainement dans les années à venir même si le paysage de la recherche évolue constamment en utilisation brute. L’Intelligence Artificielle (AI) tout comme le traitement de l’image devraient pouvoir stimuler la recherche par image.
Fig.1 La recherche mobile et Web dans les navigateurs et les applications depuis 2015 à 2018 par Jumpshot/SparkToro
Pour aller plus loin dans l’analyse des données
- Bing et Yahoo représentaient 7 % des recherches en novembre 2015, chiffre qui est tombé à 4,6 % en février 2018.
- Faible variation pour Youtube, Pinterest, Amazon et twitter ou les recherches images sont restés stables.
- Diminution pour Google Images tout comme Google maps qui s’explique par la recherche Web Google qui a pris ce trafic notamment par les effets de la suppression des onglets et en intégrant plus de résultats images dans les SERP Web…
Identification des tendances : les recherches sur le Web en 2018
Pour bien distinguer les différences de taille et de composition pour les différentes propriétés :
Fig 2 : Etude de Sparktoro et de Jumpshot de 2018 sur la répartition des clics sur les moteurs de recherche et réseaux sociaux
Avec l’envoi d’une source de trafic importante par Google Images, il est judicieux pour les contenus créateurs d’investir dans des contenus visuels optimisés qui seront visibles dans la recherche web.
Même si les réseaux sociaux comme Twitter, Facebook ou Pinterest semblent petits face aux grands moteurs de recherche, ils sont des grands par rapport au reste du web avec une croissance de recherche qui suit celle de Google !
Les différentes technologies utilisées dans la recherche d’image
Si la recherche textuelle domine sans partage sur l’ensemble des recherches produite sur un moteur de recherche, la recherche d’images ou recherche visuelle peut être se présenter de différentes formes : soit une requête texte vers image, avec l’url de l’image, image pour trouver des images similaires ou une recherche d’image par son contenu qui renvoie sur un site web. D’autres manières de recherche sont bien ancrées aujourd’hui dans les modes de consommation actuelle comme la recherche vocale qui pourrait atteindre 50 % des recherches en 2020.
Fig.3 Recherche image sur Google images par l’url et importation image
Fonctionnalité offerte par les moteurs de recherche, la recherche d’images, appelée aussi « moteur de recherche image » sont aujourd’hui des termes assez flous si l’on analyse les missions et les technologies principales dans la recherche d’images :
- Recherche d’images sur un moteur par une entrée texte comme requête qui renvoie en sortie des images
- Recherche d’images sur un moteur par une entrée image qui renvoie en sortie des images.
- Une recherche sur un moteur par une entrée image qui renvoie en sortie des pages web et offre une description ou un article lié à l’image
« Comme le souligne Sylvain Peyronnet, créateur du moteur de recherche d’images de Qwant, dans l’article le SEO des images sur le site reacteur.com, « on parlera plutôt de « vertical image » que de moteur de recherche d’images.
Dans les pays anglos saxons, la distinction est plus fine pour définir chaque mission. Ils utilisent les termes de image retrieval system pour désigner un moteur qui renvoie des images en sortie, de image meta search pour dire que le moteur se base sur une information hors de l’image, et de content-based image retrieval pour signifier que c’est le contenu réel de l’image qui est utilisé.
Quels sont les domaines d’applications moteur et les usages ?
Dans le graphique Fig.4 ci -dessous : « contexte d’un moteur image », on peut voir que les applications dans la recherche d’images sont plus importantes qu’on pourrait le penser, notamment avec des utilisations dans des domaines comme la sécurité (la reconnaissance faciale est de la recherche d’images), l’art et bien entendu le Web.
Fig 4 : Recherche d’images : contexte d’un moteur, cores techniques, evaluation, applications et web
La provenance des images et les cas d’usage
Si aujourd’hui, les grands moteurs de recherche web Google et Bing proposent des images venues du Web dans son intégralité (hors plateformes fermées), d’autres moteurs de recherche « vertical image » se concentrent sur les réseaux sociaux (SIRE par exemple), ou sur des sites intranet personnels ou réseaux d’entreprises de collections d’images pour chercher dans ses photos de famille ou des images documentaires.
La définition technique d’un produit ou d’un service doit répondre aux différents cas d’usages pour être trouvé par l’utilisateur. Pour optimiser la visibilité et le référencement d’un visuel, il faut se poser plusieurs questions :
- Quelle est l’intention de l’utilisateur dans sa recherche visuelle ?
- Qui est-il ? un utilisateur lamda ou un futur consommateur du produit ou du service ?
- Comment cherche-t-il son futur produit : comparaison prix, recherche d’un produit similaire vu chez un ami…
Ces différents usages détermineront l’optimisation SEO des images mais aussi les algorithmes et les technologies « vertical images ». Les moteurs de recherche comme Google ont déjà étudié tous ces critères intentionnels des utilisateurs et affichent différents types de résultats images et formats images. Du coté des marques et des entreprises, la méthode efficace est d’analyser le taux d’apparition dans la recherche Google images sur les termes clés de leur secteur d’activité afin d’analyser la pertinence du référencement de leurs images.
Recherche d’images: index images et optimisation SEO
Dans ce contexte de recherche d’images par un texte (requête écrite pour trouver une image), le moteur image utilise le moteur standard de recherche sur du texte par la création d’un index images avec meta-données qui représenteront ces images. Le tout est de connaitre les données que l’on peut obtenir sur des images disponibles sur le web. Elles peuvent être nombreuses : le nom du fichier, les meta-données liées, les attributs ‘alt’ généralistes ou géo-localisés si spécifiés, l’auteur de la photo, la date de prise de la photo et autres annotations (descriptions et tags) :
- Le nom du fichier : Le titre de la photo. D’où l’importance de bien titrer ses images tout comme rajouter l’attribut ALT et une légende en prenant en compte les termes clés du contenu de l’image et du texte associé.
- Les meta-données liées : Les images ou les photos ont toujours des données comme la date et heure, l’auteur, le lieu géographique de prise de la photo, la marque de l’appareil photo, la résolution… Pour cela faites un test avec vos propres images pour déterminer les informations qu’elles renvoient. Des sites permettent de visualiser les données complètes comme par exemple http://metapicz.com/#landing). Des sites d de publications d’images comme https://www.flickr.com/ permettent de visualiser de nombreuses données sur une publication.
- Les contenus textuels associés : c’est la plus grande source de données d’une image. Une image évolue toujours sur le web dans un contexte textuel qui sont associés à l’image dans l’index.
- Les annotations humaines : tous les moteurs de recherche à échelle industrielle procèdent à des annotations d’images comme des descriptions exhaustives, des tags, des noms de personnes.
Ces différentes données de contenu image permettent de réaliser une recherche d’image précise, facile à modifier au niveau SEO. La qualité des SERP images sera largement similaire à la qualité des résultats usuels du moteur, puisque les mêmes algorithmes et technologies sont utilisés pour les deux tâches.
Fig.5 : Information des métadonnées liées disponible sur flickr.com lors de la publication d’une photo
Utiliser une image pour trouver des images
Dès les premières années de la recherche sur le web en 1995 présenté par le système QBIC par IBM, des algorithmes ont été mis en place pour faciliter la recherche des images à partir d’une image. Les caractéristiques visuelles et technologies utilisées dans la recherche par similarité étaient des méthodes classiques de vue par ordinateur mais assez couteuses pour une utilisation industrielle. A cette époque, le cas d’usage théorique dans une recherche par une image (recherche inversée) était de récupérer des images qui contiennent les mêmes objets. Les résultats obtenus dans ces recherches d’image étaient plus que mitigés.
Fig. 6. Les caractéristiques visuelles utilisées pour la recherche par similarité ( reacteur.com)
Aujourd’hui de nombreux outils, fonctionnalités web et mobile (moteurs image-images) sont compatibles avec une vraie industrialisation et donnent des résultats commerciaux très positifs ( e-commerce). La plupart des moteurs de recherche ont bien compris tous ces usages de la reconnaissance visuelle et n’hésite pas à rajouter un peu d’intelligence artificielle pour en tirer le meilleur parti.
Pour Qwant, la recherche par similarité a été développé dans le cadre du projet QISS. Le moteur de recherche français a développé une fonctionnalité pour faire de la recherche image inversée. Elle permet de trouver des images similaires à l’image soumise.
Fig. 7. Recherche d’images similaires dans Qwant QISS (prototype disponible à l’adresse https://research.qwant.com/images/).
Pour Google, un outil baptisé Google Lens permet de prendre une photo avec son smartphone et de trouver sur le Web des clichés similaires. L’utilisateur peut aussi soumettre des images dénicher sur le Web comme des photos enregistrées sur son téléphone.
La recherche par similarité d’image est reprise par de nombreuses applications. On sait déjà que cette manière de recherche visuelle est largement utilisée pour lutter contre le plagiat mais il y d’autres objectifs pour ses applications comme la recherche de personnes (sécurité), l’utilisation commerciale (recherche d’un produit similaire), le marketing web et ses contenus…
Utiliser le contenu des images
Les technologies et les astuces algorithmiques dans la recherche d’images évoluent constamment permettant de créer un moteur de recherche « cross modal « soit un moteur qui réagit simultanément sur les images et les données textuelles. Au niveau technique, le moteur met en correspondance dans un même index de recherche des concepts différents : soit des images, du texte et dans différentes langues (moteur nativement multilingue).
Comme nous le souligne Sylvain Peyronnet : la cross-modalité se devine grâce à des algorithmes de machine learning qui reprennent des données humaines.
La chaine de traitement est relativement complexe (éléments algorithmiques durs liés au deep learning). A côté de ça, le principe est simple : chaque image va être analysée par une chaîne de traitement standard à base de réseaux de neurones convolutionnels.
Fig. 8. La chaîne de traitement complète (schéma).
Références de cet article, credits images et autres sources
source principale : https://www.reacteur.com/2021/05/seo-des-images-1ere-partie-secteurs-dactivite-tracking-et-comportement-des-internautes.html
http://infolab.stanford.edu/~wangz/project/imsearch/review/JOUR/datta.pdf
