Comparatif des meilleurs outils de reconnaissance d'images

Nous avons évalué les configurations API par défaut de Amazon Rekognition, Google Cloud Vision et Microsoft Azure IA Vision sur 100 images réparties en 5 classes d'objets, et comparé leurs tarifs et leurs fonctionnalités.

Résultats du benchmark des outils de reconnaissance d'images

Aperçu des performances à IoU=0.5

Les métriques de performance de trois plateformes de reconnaissance d'images ont été évaluées à un seuil d'Intersection over Union (IoU) de 0.5, en comparant les valeurs de mAP, de score F1, de rappel et de précision.

Le mAP est la principale métrique d'évaluation à prendre en compte pour les tâches de détection d'objets, car il fournit une mesure complète de la qualité de détection à différents seuils de confiance et sur différentes classes d'objets.

Vous pouvez en savoir plus sur notre méthodologie de benchmark.

Précision moyenne (AP) par classe à IoU=0.5

Les trois services détectent les personnes de manière fiable, mais perdent en précision sur les équipements de protection, les casques affichant la baisse la plus marquée.

Alors qu'Amazon et Google affichent une faible précision dans la détection des gants et des chapeaux, Microsoft Azure IA Vision atteint une précision de 0 % pour les deux catégories. Azure IA Vision ne détecte pas les objets petits (moins de 5 % de l'image) ou disposés étroitement ensemble, ce qui pourrait contribuer à la faible précision observée dans la détection des gants et des chapeaux.¹

Aucun des services ne parvient à détecter correctement les masques (précision de 0 %), ce qui met en évidence une lacune critique de leurs capacités de reconnaissance d'objets lorsqu'ils sont utilisés avec les paramètres par défaut, sans étiquetage personnalisé.

Vous pouvez en savoir plus sur les limites de la reconnaissance d'images.

mAP à différents seuils d'IoU [0.5:0.05:0.95]

À mesure que les seuils d'IoU se resserrent de 0.5 à 0.95, le mAP diminue pour les trois services, mais à des rythmes différents. Amazon Rekognition résiste le mieux sur l'ensemble de la plage, ce qui suggère un alignement des boîtes englobantes plus précis que celui des deux autres services.

Facteurs potentiels susceptibles d'affecter les écarts de performance

Orientation de l'entraînement du model et portée du produit

• Amazon Rekognition propose des capacités dédiées aux EPI, ce qui se traduit probablement par une meilleure couverture d'entraînement et de meilleures représentations de caractéristiques pour les objets tels que les casques et les gants.
• Google Cloud Vision et Azure IA Vision privilégient les tâches générales de compréhension d'image (par ex., OCR, points de repère, marques, détection Web), reléguant les EPI et objets similaires au second plan dans leurs objectifs d'entraînement.

Configuration API par défaut et compromis précision-rappel

• Tous les services ont été évalués avec les paramètres par défaut, qui privilégient généralement une précision élevée afin de minimiser les faux positifs.
• Ce choix de conception conduit à des scores de précision élevés chez tous les fournisseurs, mais à un rappel nettement plus faible, en particulier pour les objets moins visibles.

Limites de la détection des petits objets

• Les objets tels que les gants, les chapeaux et les casques occupent souvent une petite fraction de l'image, ce qui les rend difficiles à détecter de manière fiable.
• Azure IA Vision, dont la documentation indique une performance moindre sur les objets petits ou rapprochés, présente la dégradation la plus prononcée dans ces catégories.

Taxonomie des étiquettes et correspondance d'évaluation

• Les étiquettes spécifiques aux fournisseurs ont dû être mappées vers une taxonomie de vérité terrain unifiée.
• Les détections valides utilisant des étiquettes non correspondantes ou plus granulaires peuvent avoir été exclues de l'évaluation.

Absence de détection des masques

• Aucun des services évalués n'expose d'étiquettes d'objets liées aux masques dans ses APIs par défaut.
• Les trois ont donc obtenu une précision de 0 % pour les masques.

Sensibilité à l'IoU et qualité de localisation

• Les écarts de performance augmentent aux seuils d'IoU plus élevés, où un alignement plus strict des boîtes englobantes est requis.
• Amazon Rekognition conserve un mAP relativement plus élevé à ces seuils, ce qui suggère une précision de localisation plus forte.

Méthodologie du benchmark des outils de reconnaissance d'images

Nous avons testé les performances de ces fournisseurs prêtes à l'emploi (c'est-à-dire sans étiquetage personnalisé) dans des cas réels.

Nous avons utilisé 100 images. Nous avons redimensionné les images à 512×512 pixels tout en préservant les régions essentielles contenant les instances, car le dataset initial présentait des dimensions variées.

Nous souhaitons exécuter ce test à nouveau sans que les fournisseurs n'entraînent leurs solutions sur le dataset. Par conséquent, nous ne divulguons pas le dataset que nous avons utilisé pour ce benchmark.

Nous avons traité les réponses des APIs des fournisseurs de services de la manière suivante :

• mappé les étiquettes des fournisseurs de services vers les catégories de vérité terrain définies dans le tableau ci-dessus. Les étiquettes des fournisseurs qui ne correspondaient pas à ces étiquettes de vérité terrain ont été exclues de l'évaluation.
• normalisé les formats de boîtes englobantes des différents fournisseurs
• calculé l'IoU entre les boîtes prédites et les boîtes de vérité terrain
• apparié les prédictions à la vérité terrain en fonction du seuil d'IoU
• calculé les métriques : précision, rappel, F1 et AP par catégorie
• calculé le mAP de style COCO en utilisant les seuils 0.5-0.95

Un exemple de calcul de l'IoU, de la précision, du rappel et du F1 est présenté dans la figure ci-dessous :

Métriques de benchmark

Précision

La précision mesure l'exactitude des prédictions positives effectuées par le model. En reconnaissance d'images, pour une classe donnée (par ex., « personne »), elle répond à la question : « Parmi toutes les images que le model a étiquetées comme contenant une personne, combien en contiennent réellement ? ». Cela est crucial dans les scénarios où les faux positifs (étiqueter à tort une image comme positive) sont coûteux.

Rappel

Le rappel mesure l'exhaustivité des prédictions positives et répond à la question : « Parmi toutes les images qui contiennent réellement la classe, combien le model a-t-il correctement identifiées ? ». Cela est essentiel lorsqu'il est critique de manquer une instance positive (faux négatif).

Score F1

Le score F1 est la moyenne harmonique de la précision et du rappel ; il fournit une mesure équilibrée particulièrement utile lorsque la distribution des classes est déséquilibrée (par ex., peu d'images de casques par rapport aux images sans casque). C'est une métrique unique qui reflète à la fois les faux positifs et les faux négatifs.

mAP

Le mAP, ou précision moyenne (Average Precision), est une métrique principalement utilisée dans les tâches de détection d'objets en reconnaissance d'images. Il évalue l'exactitude du model sur différentes classes en faisant la moyenne de la précision moyenne (AP) de chaque classe. L'AP elle-même correspond à l'aire sous la courbe précision-rappel, générée en faisant varier le seuil de confiance des détections.

Cet outil interactif vous permet de comparer les résultats de détection entre les fournisseurs à l'aide d'images d'exemple du dataset. Utilisez les boutons du haut pour sélectionner Amazon, Google, Microsoft ou tous les fournisseurs. Activez ou désactivez la vérité terrain avec la case à cocher. Naviguez entre les images de test à l'aide des boutons numérotés à gauche. Les boîtes codées par couleur indiquent chaque détection avec les scores de confiance.

Meilleures APIs de reconnaissance d'images

Amazon Rekognition

Amazon Rekognition propose des APIs dédiées à la détection d'EPI en plus de la détection générale d'objets et de visages, ce qui lui confère une couverture d'étiquettes plus large sur des classes telles que les casques et les gants que les deux autres services. Ce périmètre produit est cohérent avec les résultats d'AP par classe du benchmark.

Ses APIs d'image sont réparties en deux groupes :

• Groupe 1 (identification faciale) : CompareFaces, IndexFaces, SearchFaces, utilisés pour la vérification d'identité et la recherche de visages dans des collections d'images.
• Groupe 2 (analyse de contenu) : DetectLabels (détection générale d'objets), DetectModerationLabels, DetectText, RecognizeCelebrities, DetectPPE.

Il s'intègre au reste d'AWS (S3 pour le stockage, Lambda pour le traitement événementiel, SageMaker pour l'entraînement de models personnalisés).

Google Cloud Vision

Google Cloud Vision a dépassé 89 % de précision à IoU=0.5, le même plancher de précision que les deux autres services, mais a produit un rappel plus faible sur les petits objets et les équipements de protection. Son périmètre produit est davantage orienté vers la compréhension d'images à usage général que vers la détection industrielle : OCR, reconnaissance de points de repère, identification de logos et de marques, et détection Web (mise en correspondance d'une image avec des images indexées publiquement).

Capacités principales :

• Localisation d'objets et détection d'étiquettes
• OCR pour le texte imprimé et manuscrit en plusieurs langues
• Détection de points de repère, de logos et de célébrités
• Détection Web pour la recherche d'images inversée
• Entraînement de models personnalisés via Vertex IA

Il s'intègre à Cloud Storage, BigQuery et Google Workspace, et accepte une plus large gamme de formats de fichiers que Rekognition (JPEG, PNG, GIF, BMP, WEBP, RAW, ICO, PDF, TIFF).

Microsoft Azure IA Vision

Microsoft Azure IA Vision fournit l'analyse d'images, l'OCR, le sous-titrage d'images et un service distinct de suppression d'arrière-plan. Sa documentation indique que le détecteur d'objets ne gère pas de manière fiable les objets petits ou rapprochés ; il se positionne donc davantage vers la compréhension générale d'images et la lecture de texte que vers la détection fine d'objets.

Les capacités principales sont réparties en deux groupes :

• Groupe 1 (détection d'éléments visuels) : étiquetage, visage, détection d'objets, détection de marques et de points de repère, recadrage intelligent, OCR.
• Groupe 2 (sortie tenant compte du langage) : description d'image, sous-titres denses, lecture complète (document OCR).

Caractéristiques différenciantes des fournisseurs de services

API : aperçu de la tarification

Créer des models de vision personnalisés

Les APIs hébergées telles que Amazon Rekognition, Google Cloud Vision et Microsoft Azure IA Vision renvoient des prédictions à partir d'un ensemble d'étiquettes fixe défini par le fournisseur. Lorsqu'une classe d'objets requise est absente de cet ensemble, ou lorsque la précision dans un domaine spécifique est trop faible, l'alternative consiste à entraîner un model personnalisé. Roboflow est un exemple couvrant ce flux de travail.

Roboflow

Roboflow est une plateforme de vision par ordinateur qui couvre l'annotation de données, l'entraînement de models et le déploiement. Elle fonctionne selon un model différent de celui des APIs de détection hébergées ci-dessus : les utilisateurs entraînent des models sur leurs propres datasets étiquetés et exécutent l'inference sur leur propre matériel, plutôt que d'appeler un endpoint géré. C'est la voie que suivent les équipes lorsque les APIs cloud par défaut n'exposent pas d'étiquettes pour une classe d'objets spécifique, comme les masques qui ont obtenu une précision de 0 % sur les trois services comparés.

Roboflow comprend trois composants principaux :

• RF-DETR : un model temps réel basé sur un transformer pour la détection d'objets et la segmentation, destiné aux entrées de caméra et de vidéo en direct.²
• AutoDistill : un outil qui utilise de grands models de fondation pour étiqueter automatiquement des datasets d'images sans annotation manuelle.³
• Inference : un package de déploiement prenant en charge plusieurs backends (ONNX, TensorRT, PyTorch), avec exécution sur GPUs, CPUs ou des appareils edge tels que NVIDIA Jetson via un service Dockerisé.⁴

Edge computing dans la reconnaissance d'images

La reconnaissance d'images basée sur le cloud envoie chaque image à un centre de données distant pour analyse. L'Edge computing exécute le model sur l'appareil qui a capturé l'image, si bien que le résultat (une étiquette, une alerte, un drapeau) quitte l'appareil.

Comment fonctionne l'edge computing

Dans une configuration cloud, les caméras agissent comme des collecteurs de données et diffusent des images brutes en amont ; le model vit dans le centre de données. Dans une configuration edge, l'appareil exécute le réseau de neurones localement et transmet la sortie pertinente : « personne détectée », « stock faible », « défaut trouvé ».

Pourquoi c'est important pour la reconnaissance d'images

• Latence : l'inference locale supprime l'aller-retour vers le cloud, ce qui est important pour les véhicules autonomes, les robots industriels et tout système devant agir sur la prédiction en quelques millisecondes.
• Confidentialité : les images ne quittent pas l'appareil, ce qui est utile lorsque la résidence des données ou des contraintes RGPD s'appliquent (imagerie médicale, vidéosurveillance en magasin).
• Bande passante et coût : seules les métadonnées sont téléversées, et non la vidéo complète, ce qui réduit les coûts réseau et cloud-API pour les déploiements à fort volume.
• Fonctionnement hors ligne : les appareils edge continuent de fonctionner en cas de panne du réseau, ce qui est requis pour les systèmes de sécurité et les sites industriels isolés.

Exemples concrets d'edge IA dans la reconnaissance d'images 

SDK sur appareil Captur

Le traitement sur appareil est la forme d'edge IA la plus courante dans les contextes mobiles. Captur fournit un SDK de vérification d'images sur appareil qui exécute des models de vision par ordinateur localement sur des appareils mobiles en ~30ms, même hors ligne.⁵ Le prestataire logistique GoBolt a intégré le SDK de Captur dans son application pour chauffeurs afin de vérifier la preuve de livraison et a signalé une baisse de 30 % des réclamations pour livraison non reçue au cours de la première semaine.⁶

Ultralytics YOLO26

YOLO26 d'Ultralytics est un model de vision par ordinateur open source conçu pour les appareils edge à faible consommation. Son architecture entièrement de bout en bout, NMS-gratuit, supprime les étapes de post-traitement telles que la suppression non maximale, réduit la latence et améliore l'exportabilité vers le matériel edge tout en prenant en charge la détection d'objets, la segmentation, la classification et l'estimation de pose au sein d'une même famille de models.⁷

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Les Vision Transformers dans la reconnaissance d'images

Les APIs de reconnaissance d'images évaluées ici utilisent des détecteurs basés sur des CNN. Les Vision Transformers (ViT) sont une architecture alternative qui divise l'image en patchs de taille fixe (généralement 16×16 pixels) et traite tous les patchs en parallèle, ce qui permet au model de relier des régions éloignées de l'image dès la première couche, plutôt que de construire ce contexte progressivement par des convolutions empilées.

Pour la détection d'objets, cela compte lorsque l'identité d'un objet dépend de la scène environnante (un chapeau sur une personne ou un chapeau sur une étagère). Les CNN capturent cela par des convolutions empilées ; les ViT le capturent grâce à l'attention portée à tous les patchs simultanément.

Les trois services cloud de ce benchmark exécutent tous des models basés sur des CNN en production. Des architectures hybrides CNN-Transformer apparaissent dans des models open source plus récents (par exemple, le RF-DETR de Roboflow utilise un backbone transformer DINOv2), mais les APIs cloud de production n'ont pas encore migré.

Models Vision Transformer pour la reconnaissance d'images

• Google ViT : le Vision Transformer d'origine, entraîné sur ImageNet pour la classification d'images. Disponible sur Hugging Face avec des poids pré-entraînés.
• Swin Transformer : utilise un mécanisme de fenêtre glissante pour capturer à la fois les détails globaux et locaux, utilisé pour la détection et la segmentation.
• DINOv2 (Meta) : model auto-supervisé entraîné sans étiquettes manuelles, produisant des embeddings d'images à usage général.
• Segment Anything Model (SAM) : segmenteur basé sur ViT capable d'isoler des objets sur lesquels il n'a pas été entraîné.

Cas d'utilisation des logiciels de reconnaissance d'images

Dans le paysage numérique actuel, la vision par ordinateur et les technologies de traitement d'images ont transformé la manière dont les entreprises exploitent les données visuelles. Des algorithmes avancés de classification d'images permettent des outils sophistiqués de reconnaissance d'images qui redéfinissent les opérations dans tous les secteurs.

Ces technologies de reconnaissance d'images combinent de puissantes approches d'entraînement de models avec des interfaces intuitives permettant d'automatiser des tâches visuelles complexes. Des solutions de vision personnalisées pour des besoins métier spécifiques aux systèmes de reconnaissance faciale pour la sécurité, ces outils peuvent identifier des motifs, des objets et des caractéristiques dans les images.

Inspection visuelle

La reconnaissance d'images permet une inspection visuelle automatisée dans de nombreux secteurs. Ces systèmes identifient des objets, détectent des caractéristiques et vérifient la compatibilité en analysant les données visuelles.

Par exemple, Chamberlain Group a mis en œuvre Amazon Rekognition dans son application myQ, permettant aux utilisateurs de capturer automatiquement des images de leur ouvre-porte de garage pour vérifier la compatibilité. Cette solution simplifiée a remplacé un processus manuel complexe et a considérablement augmenté les taux de connexion des utilisateurs.⁸

Traitement de documents

La technologie d'OCR extrait le texte des images et des documents, automatisant la saisie de données dans plusieurs langues. Les systèmes modernes peuvent traiter du texte manuscrit et des mises en page complexes, transformant les flux de travail papier et rendant les documents consultables.

Par exemple, le groupe d'assurance français LSA Courtage utilise Google Cloud Vision API pour reconnaître le texte des permis de conduire et des documents d'immatriculation. Cette mise en œuvre de l'OCR a réduit le temps de traitement des documents de 45 % par page et augmenté la productivité des souscripteurs de 20 %, leur permettant de traiter 1 500 documents par jour.⁹

Vous pouvez consulter notre OCR benchmark pour voir la précision des différents outils d'OCR selon les types de documents.

Surveillance agricole

Les agriculteurs utilisent l'imagerie par drone avec la reconnaissance d'images pour surveiller la santé des cultures, détecter les maladies et optimiser l'irrigation. En identifiant les zones de stress des cultures avant l'apparition de symptômes visibles, ils peuvent intervenir tôt et réduire l'utilisation des ressources.

Par exemple, Project FarmBeats de Microsoft (désormais Azure Data Manager for Agriculture) utilise des capteurs, des drones et le machine learning pour permettre une agriculture fondée sur les données dans des environnements où l'alimentation et la connectivité Internet sont limitées. Le système contribue à augmenter la productivité agricole et à réduire les coûts en combinant les données visuelles aux connaissances des agriculteurs sur leurs terres.¹⁰

Sécurité et surveillance

Les systèmes de sécurité utilisent la reconnaissance faciale et la détection d'objets pour identifier des activités, contrôler l'accès et localiser des personnes. Ces systèmes surveillent les flux vidéo et alertent le personnel en cas de menace. Par exemple, Sun Finance utilise Amazon Rekognition pour vérifier l'identité des clients en comparant les selfies aux pièces d'identité, accélérant la vérification et prévenant la fraude tout en élargissant l'inclusion financière.¹¹

Modération de contenu

Les plateformes de médias sociaux utilisent la reconnaissance d'images pour filtrer les contenus inappropriés tels que la nudité, la violence ou les images graphiques dans les contenus mis en ligne par les utilisateurs. La génération de légendes peut ajouter une seconde couche en décrivant le contexte d'image que les classificateurs au niveau des pixels manquent, par exemple en détectant des symboles de haine en arrière-plan d'une photo par ailleurs bénigne. Selon AWS, le filtrage automatique réduit généralement le volume que les modérateurs humains doivent examiner à 1–5 % du total.¹²

Par exemple, CoStar Group utilise Amazon Rekognition pour la modération de contenu et l'analyse vidéo d'environ 150 000 téléversements quotidiens d'images et de vidéos sur sa plateforme d'immobilier commercial. Cette solution de modération de contenu analyse les images, classe le contenu, détecte les éléments indésirables et exploite la technologie de légendage d'images pour comprendre le contexte, ce qui permet de gagner du temps tout en garantissant la conformité et des données de haute qualité.¹³

Vous pouvez en savoir plus sur les applications de la reconnaissance d'images.

Limites de la technologie de reconnaissance d'images

Perte de détails dans les petits objets

Lorsque les objets apparaissent petits dans les images, ils contiennent moins de pixels, ce qui limite les données visuelles. De plus, les CNN ont tendance à perdre d'importants détails fins lors du traitement dans les couches de sous-échantillonnage, ce qui entrave considérablement les capacités de détection.

Détections manquées

Les systèmes de reconnaissance d'images favorisent généralement les objets plus grands pendant les phases d'entraînement et d'analyse, ce qui entraîne une fréquence plus élevée de petits objets manqués ou de faux négatifs.

Interférences de l'arrière-plan

Les objets plus petits sont plus vulnérables à l'occultation par le bruit visuel, l'encombrement de l'arrière-plan ou les éléments qui se chevauchent, ce qui les rend plus difficiles à identifier avec précision. Même une occlusion partielle peut affecter de manière disproportionnée les petits objets, car ils disposent d'une surface distinguable moindre au départ.

Variabilité d'échelle

Les objets apparaissant à des distances ou à des échelles différentes posent des difficultés aux models qui ne sont pas spécifiquement conçus pour détecter des détails fins sur des tailles d'objets variées.

Exigences de calcul

Les techniques visant à améliorer la détection des petits objets, comme l'extraction de caractéristiques multi-échelles ou des entrées à plus haute résolution, nécessitent davantage de puissance de calcul, ce qui limite l'applicabilité en temps réel.

Entraînement biais

Les datasets sous-représentent souvent les petits objets ou manquent d'annotations suffisantes à leur égard, ce qui réduit la généralisation des models à ces cas dans des scénarios réels.

FAQ

Citez ce benchmark

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Comparatif des meilleurs outils de reconnaissance d'images}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/image-recognition-software}},
  note   = {AIMultiple. Consulté le 17 Juin 2026}
}

Liens de référence

1.

Object detection using Image Analysis 4.0 - Foundry Tools | Microsoft Learn

2.

RF-DETR — Real-Time Object Detection & Segmentation by Roboflow

Roboflow

3.

Distill Large Vision Models into Smaller, Efficient Models with Autodistill

Roboflow Blog

4.

About - Roboflow Inference

5.

Captur — Real-time Image AI and SDKs for Mobile Apps

6.

GoBolt Launches Next-Gen AI Proof of Delivery Technology with Captur — Captur Case Studies

Captur

7.

Ultralytics YOLO26 | Ultralytics

Ultralytics

8.

Creating a Visual Solution for Enhanced Customer Experience Using Amazon Rekognition with Chamberlain Group | Chamberlain Group Case Study | AWS

9.

Customer Stories for Gemini Enterprise and Google Cloud | Google Cloud

10.

FarmBeats: AI, Edge & IoT for Agriculture - Microsoft Research

11.

Sun Finance Case Study

12.

Moderating content - Amazon Rekognition

13.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois.

Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.

Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire