Model Card
Une fiche modèle documente l’usage prévu d’un modèle entraîné, ses données d’entraînement, ses résultats d’évaluation et ses limites, dans un format proposé par des chercheurs de Google en 2018.
Une fiche de modèle est un court document publié avec un modèle d’apprentissage automatique entraîné. Elle indique la fonction du modèle, la manière dont il a été entraîné et évalué, ses performances selon différents groupes et conditions, ainsi que ses limites. Margaret Mitchell, Timnit Gebru et leurs collègues de Google ont proposé ce format en 2018 dans l’article Model Cards for Model Reporting, présenté à la conférence FAT* 2019. Les fiches de modèle sont désormais une pratique courante pour la transparence en IA : sur Hugging Face, la fiche de modèle constitue la page d’accueil du dépôt, et les laboratoires d’IA publient des fiches pour leurs versions majeures, comme la fiche du modèle Claude 3 publiée par Anthropic en 2024.
Contenu d’une fiche de modèle#
L’article original proposait neuf sections :
- Détails du modèle : Développeur, version, date, architecture, licence et coordonnées pour poser des questions.
- Utilisation prévue : Principales utilisations et principaux utilisateurs visés par le modèle, ainsi que les usages hors du périmètre prévu.
- Facteurs : Groupes, instruments et environnements susceptibles de modifier les performances, comme la tranche d’âge, le type de caméra ou l’éclairage.
- Métriques : Lesquelles des métriques de performance sont rapportées, à quels seuils de décision et pour quelles raisons elles ont été choisies.
- Données d’évaluation : Les jeux de données utilisés pour les tests et les raisons de leur choix.
- Données d’entraînement : Les données à partir desquelles le modèle a appris, décrites aussi précisément que possible.
- Analyses quantitatives : Résultats ventilés selon chaque facteur, individuellement et en combinaison.
- Considérations éthiques : Données sensibles, risques pour les personnes et mesures d’atténuation appliquées.
- Réserves et recommandations : Lacunes connues, par exemple les conditions qui n’ont jamais été testées.
Les analyses quantitatives sont au cœur de cette approche. Un seul score global masque les échecs concentrés dans un sous-groupe. Ainsi, la fiche d’exemple de l’article, consacrée à un détecteur de sourires entraîné sur le jeu de données de visages CelebA, rapporte séparément les taux d’erreur par âge et par genre. Cette évaluation ventilée révèle les biais algorithmiques et les biais des jeux de données. Pour un modèle de détection d’objets, la même section présente la précision moyenne moyenne (mAP) par classe et par condition — par exemple pour les petits objets, les images de nuit ou chaque caméra — ainsi que la latence d’inférence sur le matériel cible.
Fiches de modèle sur Hugging Face#
Sur le Hub Hugging Face, une fiche de modèle correspond au README.md du dépôt : des sections Markdown destinées aux lecteurs, précédées d’un en-tête de métadonnées YAML que le Hub analyse pour filtrer les modèles par tâche, licence et jeu de données, et pour afficher les résultats d’évaluation. La bibliothèque huggingface_hub génère les deux parties à partir de données structurées :
from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights
# Torchvision fournit la précision ImageNet publiée avec chaque ensemble de poids
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]
# Métadonnées lisibles par machine : bibliothèque, données d’entraînement et résultats d’évaluation
result = EvalResult(
task_type="image-classification",
dataset_type="imagenet-1k",
dataset_name="ImageNet-1K",
metric_type="accuracy",
metric_value=top1,
)
card_data = ModelCardData(
model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)
# Remplir le modèle par défaut : un en-tête YAML suivi de sections Markdown
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])La sortie YAML indique le jeu de données d’entraînement et un bloc model-index qui consigne une précision top-1 de 80.858 % sur ImageNet-1K, affichée par le Hub comme résultat d’évaluation. La deuxième ligne affiche les sections du modèle, de Détails du modèle et Utilisations à Évaluation et Impact environnemental, en passant par Biais, Risques et Limites : il s’agit d’un héritage direct des neuf sections de l’article original.
Documentation connexe#
- Fiches descriptives des jeux de données : Proposées par Timnit Gebru et ses collègues en 2018, elles documentent la manière dont un jeu de données a été collecté, annoté et destiné à être utilisé. Une fiche de modèle renvoie à la fiche descriptive de ses données d’entraînement au lieu de la reprendre.
- Fiches système : Décrivent un système d’IA déployé composé de plusieurs modèles, invites, filtres de sécurité et processus humains. Meta a introduit le terme en 2022. Les laboratoires qui développent des grands modèles de langage (LLM), dont OpenAI, publient désormais une fiche système avec chaque version majeure de modèle.
- Registre de modèles : Stocke les fichiers, les versions et la filiation des modèles, tandis que la fiche précise les usages adaptés à chaque version enregistrée.
- IA explicable (XAI) : Explique pourquoi un modèle a produit une prédiction particulière, tandis qu’une fiche décrit son comportement sur l’ensemble d’évaluation.
La réglementation a rendu ce format obligatoire dans certains cas. En vertu du règlement européen sur l’IA, les fournisseurs de modèles d’IA à usage général doivent, depuis le 2 août 2025, conserver une documentation technique sur l’entraînement et l’évaluation, et fournir aux développeurs qui s’appuient sur leurs modèles des renseignements sur les capacités et les limites de ces derniers. Le Code de bonnes pratiques de la Commission pour l’IA à usage général propose à cette fin un formulaire de documentation du modèle, avec des champs semblables à ceux d’une fiche, comme les utilisations prévues, les données d’entraînement et la consommation d’énergie. Les fiches s’inscrivent dans la pratique plus générale de la gouvernance de l’IA et de l’IA responsable.
Tenir une fiche à jour#
Une fiche décrit une version précise d’un modèle ; elle change donc chaque fois que le modèle, ses données ou ses conditions de déploiement évoluent. La surveillance des modèles en production fournit les éléments nécessaires : la dérive des données ou un nouveau mode de défaillance devient une réserve dans la fiche de la version suivante.
Une partie de la fiche peut aussi être intégrée au fichier du modèle. Lorsque les modèles Ultralytics YOLO26 sont exportés vers des formats comme ONNX ou OpenVINO, l’exportateur intègre des métadonnées indiquant le jeu de données d’entraînement, l’auteur, la date d’exportation, la version du paquet, la licence, la tâche, la taille d’entrée et les noms de classes, afin qu’une copie déployée indique toujours ce qu’elle est et ce qu’elle détecte.










