> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.
> Aperçu de W&B Artifacts, de leur fonctionnement et des premiers pas pour les utiliser.
# Aperçu des Artifacts
export const TryProductLink = ({url}) =>
Essayer sur W&B
;
export const ColabLink = ({url}) =>
Essayer sur Colab
;
Utilisez W\&B Artifacts pour suivre les données et en gérer les versions comme entrées et sorties de vos [W\&B Runs](/fr/models/runs). Par exemple, un run d’entraînement de modèle peut prendre un jeu de données en entrée et produire un modèle entraîné en sortie. Vous pouvez journaliser des hyperparamètres, des métadonnées et des métriques dans un run, et utiliser un artifact pour journaliser, suivre et gérer les versions du jeu de données utilisé pour entraîner le modèle en entrée, ainsi qu’un autre artifact pour les points de contrôle du modèle produits en sortie.
## Cas d’usage
Vous pouvez utiliser les artifacts tout au long de votre flux de travail ML comme entrées et sorties de [runs](/fr/models/runs). Vous pouvez utiliser des jeux de données, des modèles ou même d’autres artifacts comme entrées pour le traitement.
| Cas d’utilisation | Entrée | Sortie |
| ------------------------------- | -------------------------------------------------------- | ------------------------------------ |
| Entraînement du modèle | Jeu de données (données d’entraînement et de validation) | Modèle entraîné |
| Prétraitement du jeu de données | Jeu de données (données brutes) | Jeu de données (données prétraitées) |
| Évaluation du modèle | Modèle + Jeu de données (données de test) | [tableau W\&B](/fr/models/tables) |
| Optimisation du modèle | Modèle | Modèle optimisé |
Les extraits de code suivants doivent être exécutés dans l’ordre.
## Créer un artifact
Créez un artifact en quatre lignes de code :
1. Créez un [run W\&B](/fr/models/runs).
2. Créez un objet artifact avec [`wandb.Artifact`](/fr/models/ref/python/experiments/artifact).
3. Ajoutez un ou plusieurs fichiers, par exemple un fichier de modèle ou un jeu de données, à l'objet artifact avec `wandb.Artifact.add_file()`.
4. Enregistrez votre artifact dans W\&B avec `wandb.Run.log_artifact()`.
Par exemple, l'extrait de code suivant montre comment enregistrer un fichier nommé `dataset.h5` dans un artifact nommé `example_artifact` :
```python theme={null}
import wandb
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
artifact = wandb.Artifact(name="example_artifact", type="dataset")
artifact.add_file(local_path="./dataset.h5", name="training_dataset")
run.log_artifact(artifact)
```
* Le `type` de l'artifact détermine la façon dont il apparaît dans la plateforme W\&B. Si vous ne spécifiez pas de `type`, il prend la valeur `unspecified` par défaut.
* Chaque libellé de la liste déroulante correspond à une valeur différente du paramètre `type`. Dans l'extrait de code ci-dessus, le `type` de l'artifact est `dataset`.
Voir la page [suivi des fichiers externes](/fr/models/artifacts/track-external-files) pour savoir comment ajouter des références à des fichiers ou répertoires stockés dans un stockage d’objets externe, comme un bucket Amazon S3.
## Télécharger un artifact
Spécifiez l’artifact que vous souhaitez marquer comme entrée pour votre run à l’aide de la méthode [`wandb.Run.use_artifact()`](/fr/models/ref/python/experiments/run#use_artifact).
À partir de l’extrait de code précédent, l’exemple de code suivant montre comment utiliser l’artifact nommé `example_artifact`, créé précédemment :
```python theme={null}
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
artifact = run.use_artifact("training_dataset:latest") # renvoie un objet run utilisant l'artifact "my_data"
```
Ceci renvoie un objet artifact.
Ensuite, utilisez l’objet renvoyé pour télécharger l’intégralité du contenu de l’artifact :
```python theme={null}
datadir = artifact.download() # télécharge l'artifact complet `my_data` dans le répertoire par défaut.
```
Vous pouvez indiquer un chemin personnalisé dans le [paramètre](/fr/models/ref/python/experiments/artifact) `root` pour télécharger un artifact dans un répertoire précis. Pour découvrir d’autres façons de télécharger des artifacts et consulter des paramètres supplémentaires, voir le guide sur le [téléchargement et l’utilisation des artifacts](/fr/models/artifacts/download-and-use-an-artifact).
## Étapes suivantes
* Découvrez comment [créer une version](/fr/models/artifacts/create-a-new-artifact-version) et [mettre à jour](/fr/models/artifacts/update-an-artifact) des artifacts.
* Découvrez comment déclencher des flux de travail en aval ou notifier un canal Slack en réponse aux modifications de vos artifacts avec [automations](/fr/models/automations).
* Découvrez le [registre](/fr/models/registry), un espace qui héberge des modèles entraînés.
* Explorez les guides de référence du [SDK Python](/fr/models/ref/python/experiments/artifact) et de la [CLI](/fr/models/ref/cli/wandb-artifact).
| Cas d’utilisation | Entrée | Sortie |
| ------------------------------- | -------------------------------------------------------- | ------------------------------------ |
| Entraînement du modèle | Jeu de données (données d’entraînement et de validation) | Modèle entraîné |
| Prétraitement du jeu de données | Jeu de données (données brutes) | Jeu de données (données prétraitées) |
| Évaluation du modèle | Modèle + Jeu de données (données de test) | [tableau W\&B](/fr/models/tables) |
| Optimisation du modèle | Modèle | Modèle optimisé |