> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
> Aperçu de W&B Artifacts, de son fonctionnement et de la marche à suivre pour commencer à l’utiliser.
# Aperçu d’Artifacts
export const TryProductLink = ({url}) =>
Try in W&B
;
export const ColabLink = ({url}) =>
Try in Colab
;
Utilisez W\&B Artifacts pour suivre et versionner les données en entrée et en sortie de vos [W\&B Runs](/fr/products/wandb/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, puis utiliser un artifact pour journaliser, suivre et versionner le jeu de données d’entraînement fourni en entrée, et un autre artifact pour les points de contrôle du modèle produits en sortie.
Cas d’utilisation
Vous pouvez utiliser les artifacts à chaque étape de votre flux de travail ML, comme entrées et sorties de [runs](/fr/products/wandb/runs). Des jeux de données, des modèles, voire d’autres artifacts, peuvent servir d’entrées à un traitement.
| Cas d’utilisation | Entrée | Sortie |
| - | - | - |
| Entraînement de modèle | Jeu de données (données d’entraînement et de validation) | Modèle entraîné |
| Prétraitement de jeu de données | Jeu de données (données brutes) | Jeu de données (données prétraitées) |
| Évaluation de modèle | Modèle + jeu de données (données de test) | [W\&B Table](/fr/products/wandb/tables) |
| Optimisation de 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/products/wandb/runs).
2. Créez un objet artifact avec [`wandb.Artifact`](/fr/products/wandb/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. Journalisez votre artifact dans W\&B avec `wandb.Run.log_artifact()`.
Par exemple, l’extrait de code suivant montre comment journaliser un fichier nommé `dataset.h5` dans un artifact nommé `example_artifact` :
```python theme={"system"}
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 s’affiche dans la plateforme W\&B. Si vous ne spécifiez pas de `type`, la valeur par défaut est `unspecified`.
* Chaque libellé du menu déroulant correspond à une valeur différente du paramètre `type`. Dans l’extrait de code ci-dessus, le `type` de l’artifact est `dataset`.
Consultez la page [Suivre des fichiers externes](/fr/products/wandb/artifacts/track-external-files) pour savoir comment ajouter des références à des fichiers ou des répertoires situés dans un stockage d’objets externe, comme un bucket Amazon S3.
Télécharger un artifact
Indiquez l’artifact que vous souhaitez marquer comme entrée de votre run à l’aide de la méthode [`wandb.Run.use_artifact()`](/fr/products/wandb/ref/python/experiments/run#use_artifact).
Dans la continuité de l’extrait de code précédent, l’exemple de code suivant montre comment utiliser l’artifact `example_artifact` créé plus tôt :
```python theme={"system"}
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
artifact = run.use_artifact("training_dataset:latest") # renvoie un objet run qui utilise l’artifact « my_data »
```
Cette opération renvoie un objet artifact.
Utilisez ensuite l’objet renvoyé pour télécharger l’intégralité du contenu de l’artifact :
```python theme={"system"}
datadir = artifact.download() # télécharge l’intégralité de l’artifact `my_data` dans le répertoire par défaut.
```
Vous pouvez transmettre un chemin personnalisé au [paramètre](/fr/products/wandb/ref/python/experiments/artifact) `root` pour télécharger un artifact dans un répertoire donné. Pour découvrir d’autres façons de télécharger des artifacts et consulter les paramètres supplémentaires, consultez le guide [Télécharger et utiliser des artifacts](/fr/products/wandb/artifacts/download-and-use-an-artifact).
Étapes suivantes
* Découvrez comment [versionner](/fr/products/wandb/artifacts/create-a-new-artifact-version) et [mettre à jour](/fr/products/wandb/artifacts/update-an-artifact) des artifacts.
* Découvrez comment utiliser les [automatisations](/fr/products/wandb/automations) pour déclencher des flux de travail en aval ou notifier un canal Slack lorsque vos artifacts sont modifiés.
* Découvrez le [registre](/fr/products/registry), un espace qui regroupe les modèles entraînés.
* Explorez les guides de référence du [SDK Python](/fr/products/wandb/ref/python/experiments/artifact) et de la [CLI](/fr/products/wandb/ref/cli/wandb-artifact).
| Cas d’utilisation | Entrée | Sortie |
| - | - | - |
| Entraînement de modèle | Jeu de données (données d’entraînement et de validation) | Modèle entraîné |
| Prétraitement de jeu de données | Jeu de données (données brutes) | Jeu de données (données prétraitées) |
| Évaluation de modèle | Modèle + jeu de données (données de test) | [W\&B Table](/fr/products/wandb/tables) |
| Optimisation de modèle | Modèle | Modèle optimisé |