Nous examinons deux aspects cruciaux et étroitement liés des réseaux de neurones convolutifs (CNN) pour l'estimation du flot optique : les modèles et l'entraînement. Tout d'abord, nous concevons un modèle CNN compact mais efficace, appelé PWC-Net, en nous appuyant sur des principes simples et bien établis : le traitement pyramidal, le recalage (warping) et le traitement du volume de coût. PWC-Net est 17 fois plus petit en taille, 2 fois plus rapide pour l'inférence et 11 % plus précis sur Sintel Final que le modèle FlowNet2 récent. Il s'agit de la contribution gagnante dans la compétition d'estimation du flot optique du défi de vision robuste. Ensuite, nous analysons expérimentalement les sources de nos gains de performance. Plus particulièrement, nous utilisons la même procédure d'entraînement que celle de PWC-Net pour réentraîner FlowNetC, un sous-réseau de FlowNet2. Le FlowNetC réentraîné est 56 % plus précis sur Sintel Final que celui précédemment entraîné et même 5 % plus précis que le modèle FlowNet2. Nous améliorons davantage la procédure d'entraînement et augmentons la précision de PWC-Net sur Sintel de 10 % et sur KITTI 2012 et 2015 de 20 %. Nos nouveaux paramètres de modèle entraînés et protocoles d'entraînement seront disponibles sur https://github.com/NVlabs/PWC-Net.