Les approches actuelles d'estimation de la posture humaine considèrent souvent uniquement comment améliorer les performances de généralisation du modèle, en mettant de côté le problème d'efficacité significatif. Cela conduit au développement de modèles lourds avec une faible scalabilité et un rapport coût-efficacité médiocre dans l'utilisation pratique. Dans ce travail, nous examinons le problème d'efficacité des modèles de posture, qui est sous-étudié mais critique sur le plan pratique. À cette fin, nous présentons une nouvelle stratégie d'apprentissage de modèle appelée Fast Pose Distillation (FPD). Plus précisément, le FPD entraîne une architecture de réseau neuronal léger capable d'exécuter rapidement avec un faible coût computationnel. Ceci est réalisé par un transfert efficace des connaissances sur la structure de la posture d'un réseau enseignant puissant. Des évaluations approfondies démontrent les avantages de notre méthode FPD par rapport à une large gamme d'approches d'estimation de la posture humaine de pointe en termes de rapport coût-efficacité du modèle sur deux jeux de données de référence standard, MPII Human Pose et Leeds Sports Pose.