QGIS 4.0 : la bascule vers Qt6 ouvre la voie à un nouvel écosystème de plugins IA

QGIS 4.0, nom de code "Norrköping", est sorti le 9 mars 2026. Le changement le plus structurant n'est pas visible à l'écran au premier abord : c'est le passage complet du framework d'interface Qt5 à Qt6, un chantier annoncé dès 2025 et repoussé plusieurs fois avant d'aboutir. Ce basculement s'accompagne de plus de 100 nouvelles fonctionnalités et, plus discrètement, il a ouvert la porte à une vague de plugins de segmentation par intelligence artificielle qui change concrètement la façon de préparer des données vectorielles à partir d'imagerie satellite.

Ce que change Qt6 en pratique

Qt6 est la bibliothèque logicielle qui gère l'interface de QGIS : fenêtres, rendu de la carte, gestion de l'affichage. La migration apporte un support natif du High DPI et du multi-écran, un rendu cartographique plus rapide, et l'accès à des bibliothèques plus récentes pour les développeurs de plugins. Elle s'accompagne aussi d'améliorations de sécurité du code.

Cette migration a un revers : elle introduit une rupture d'API. Certains plugins construits pour QGIS 3.x cessent de fonctionner tant que leurs auteurs ne les ont pas adaptés à Qt6. L'équipe de QGIS a choisi de conserver temporairement les anciennes API en parallèle des nouvelles pour laisser aux développeurs de plugins le temps de migrer, plutôt que de forcer une coupure nette. Pour un utilisateur qui dépend de plugins spécifiques dans son enseignement ou ses projets, la précaution de base avant de migrer reste la même qu'à chaque saut de version majeure : vérifier la compatibilité de sa chaîne de plugins critiques avant de basculer un poste de production.

L'écosystème SAM arrive dans QGIS

C'est la partie la plus intéressante pour qui enseigne la cartographie assistée par IA. Segment Anything Model (SAM), développé par Meta, est un modèle de segmentation d'image dit "zero-shot" : il peut isoler un objet dans une image sans avoir été entraîné spécifiquement sur ce type d'objet, à partir d'un simple point, d'un rectangle ou, pour ses versions récentes, d'un prompt textuel. Plusieurs équipes ont porté ce modèle dans QGIS au cours des derniers mois, avec des approches différentes :

• Geo-SAM et Geo-SAM2 accélèrent la délinéation de formes du relief ou de paysage sur une image raster, en s'appuyant respectivement sur les familles SAM 1/2 et sur l'architecture Hiera de SAM2, pensée pour améliorer la qualité des masques sur des formes complexes ou de petite taille.
• GeoOSAM va plus loin en intégrant SAM 2.1 et SAM 3, avec prompts textuels, détection d'objets similaires, régions d'intérêt vectorielles et douze classes prédéfinies pour organiser directement le résultat en couches exploitables.
• Le plugin GeoAI combine SAM (versions 1 à 3) avec d'autres modèles spécialisés : DeepForest pour la segmentation d'arbres individuels, OmniWaterMask pour l'eau, et un modèle de vision-langage (Moondream) pour interroger une image en langage naturel.
• SamGIS fait tourner SAM2 localement via ONNX Runtime, sans appel à une API cloud, un point qui compte pour qui travaille sur des données sensibles ou sans connexion fiable.

Ce que ça change pour un praticien ou un enseignant

Jusqu'ici, entraîner un modèle de segmentation pour délimiter des parcelles forestières, des bâtiments ou des plans d'eau sur une image satellite exigeait un jeu d'annotations dédié et des compétences en deep learning. Avec SAM intégré à QGIS via ces plugins, cette étape devient interactive : un clic ou un rectangle sur la zone d'intérêt suffit à obtenir un polygone exploitable, directement dans l'environnement SIG habituel, sans sortir vers un notebook Python séparé.

Ça ne remplace pas un modèle spécialisé entraîné sur un jeu de données local pour une tâche répétitive à grande échelle : SAM reste un modèle généraliste, et sa précision sur un type de couvert très spécifique (une essence forestière donnée, par exemple) restera généralement inférieure à celle d'un modèle dédié correctement entraîné. Mais pour du travail exploratoire, de la numérisation assistée ou une démonstration pédagogique, c'est un gain de temps net et un bon point d'entrée pour familiariser des étudiants avec les modèles de segmentation avant d'aborder des architectures plus spécialisées.

À retenir

L'arrivée de plusieurs plugins SAM matures dans l'écosystème QGIS, portée par la modernisation de Qt6, marque un jalon concret dans la démocratisation de la GeoAI pour les praticiens SIG qui ne codent pas de deep learning au quotidien. Pour qui prépare du contenu pédagogique sur la télédétection assistée par IA, ces outils offrent une démonstration accessible et gratuite de ce que le "zero-shot learning" apporte concrètement à un flux de travail cartographique.