Les réseaux neuronaux sont des outils très efficaces pour l'estimation de la posture. Cependant, comme dans d'autres tâches de vision par ordinateur, la robustesse face aux données hors domaine reste un défi, en particulier pour les petits ensembles de données d'entraînement qui sont courants dans les applications du monde réel. Dans cette étude, nous examinons la capacité de généralisation de trois classes d'architectures (MobileNetV2s, ResNets et EfficientNets) pour l'estimation de la posture. Nous avons développé un ensemble de données comprenant 30 chevaux permettant à la fois une évaluation « intra-domaine » et « hors domaine » (chevaux non vus) - ce qui constitue un test crucial pour la robustesse que les benchmarks actuels d'estimation de la posture humaine ne traitent pas directement. Nous montrons que les architectures performant mieux sur ImageNet obtiennent également de meilleurs résultats sur les données intra- et hors domaine si elles sont préalablement entraînées sur ImageNet. Nous démontrons également que les modèles performant mieux sur ImageNet généralisent mieux entre les espèces animales. De plus, nous présentons Horse-C, un nouveau benchmark pour des corruptions courantes dans l'estimation de la posture, et nous confirmons que le pré-entraînement améliore également les performances dans ce contexte de changement de domaine. Dans l'ensemble, nos résultats montrent que le transfert d'apprentissage est bénéfique pour la robustesse hors domaine.