Nous proposons une nouvelle approche permettant d’annoter de grandes quantités d’images faciales prises dans des conditions réelles (in-the-wild) en utilisant comme étiquettes des distributions a posteriori de l’âge de haute qualité. Chaque distribution a posteriori fournit une estimation probabiliste de l’âge d’un visage. Notre méthode s’inspire de l’observation selon laquelle il est plus facile de déterminer qui des deux personnes est la plus âgée que de préciser l’âge exact de chacune. En disposant d’une base de données de référence comprenant des échantillons d’âges connus et d’un ensemble de données à annoter, nous pouvons transférer des annotations fiables de la première vers le second grâce à des comparaisons humaines supervisées (human-in-the-loop). Nous montrons une méthode efficace pour transformer ces comparaisons en distributions a posteriori à l’aide de couches entièrement connectées et de couches SoftMax, permettant ainsi une entraînement end-to-end dans un réseau neuronal profond. Grâce à cette approche d’annotation efficace et performante, nous avons constitué un nouveau jeu de données à grande échelle sur l’estimation de l’âge facial, baptisé « MegaAge », comprenant 41 941 images. Les données sont disponibles au téléchargement depuis notre page de projet : mmlab.ie.cuhk.edu.hk/projects/MegaAge et sur GitHub : github.com/zyx2012/Age_estimation_BMVC2017. À l’aide de ce jeu de données, nous entraînons un réseau qui réalise simultanément une classification par hyperplans ordonnés et l’apprentissage de distributions a posteriori. Notre approche obtient des résultats de pointe sur des benchmarks populaires tels que MORPH2, Adience, ainsi que sur le nouveau jeu de données MegaAge.